Dengan pustaka komputasi yang dipercepat NVIDIA cuPyNumeric, para peneliti sekarang dapat mengambil kode Python pengolah data mereka dan menjalankannya dengan mudah di laptop berbasis CPU dan workstation yang dipercepat GPU, server cloud, atau superkomputer besar.
Semakin cepat mereka dapat mengerjakan data mereka, semakin cepat mereka dapat membuat keputusan tentang poin data yang menjanjikan, tren yang layak diselidiki, dan penyesuaian pada eksperimen mereka.
Untuk membuat lompatan ke komputasi yang dipercepat, peneliti tidak memerlukan keahlian dalam ilmu komputer. Mereka cukup menulis kode menggunakan antarmuka NumPy yang sudah dikenal atau menerapkan cuPyNumeric ke kode yang ada, mengikuti praktik terbaik untuk performa dan skalabilitas.
Setelah cuPyNumeric diterapkan, mereka dapat menjalankan kode mereka pada satu atau ribuan GPU tanpa perubahan kode.
Versi terbaru cuPyNumeric, sekarang tersedia di Conda dan GitHub, menawarkan dukungan untuk NVIDIA GH200 Grace Hopper Superchip, konfigurasi sumber daya otomatis pada waktu berjalan, dan peningkatan penskalaan memori. Ini juga mendukung HDF5, format file populer di komunitas ilmiah yang membantu mengelola data besar dan kompleks secara efisien.
Para peneliti di Laboratorium Akselerator Nasional SLAC, Laboratorium Nasional Los Alamos, Universitas Nasional Australia, UMass Boston, Pusat Penelitian Turbulensi di Universitas Stanford dan National Payments Corporation of India termasuk di antara mereka yang telah mengintegrasikan cuPyNumeric untuk mencapai peningkatan signifikan dalam alur kerja analisis data mereka.
Python adalah bahasa pemrograman paling umum untuk ilmu data, pembelajaran mesin, dan komputasi numerik, yang digunakan oleh jutaan peneliti di bidang ilmiah termasuk astronomi, penemuan obat, ilmu material, dan fisika nuklir. Puluhan ribu paket di GitHub bergantung pada pustaka matematika dan matriks NumPy, yang memiliki lebih dari 300 juta unduhan bulan lalu. Semua aplikasi ini dapat memperoleh manfaat dari komputasi yang dipercepat dengan cuPyNumeric.
Banyak dari para ilmuwan ini membangun program yang menggunakan NumPy dan berjalan pada satu node khusus CPU - membatasi throughput algoritma mereka untuk mengolah kumpulan data yang semakin besar yang dikumpulkan oleh instrumen seperti mikroskop elektron, penumbuk partikel, dan teleskop radio.
cuPyNumeric membantu peneliti mengimbangi ukuran dan kompleksitas kumpulan data mereka yang terus bertambah dengan menyediakan pengganti drop-in untuk NumPy yang dapat diskalakan ke ribuan GPU. cuPyNumeric tidak memerlukan perubahan kode saat menskalakan dari satu GPU ke seluruh superkomputer. Hal ini memudahkan peneliti untuk menjalankan analisis mereka pada sistem komputasi yang dipercepat dalam berbagai ukuran.
Para peneliti di SLAC National Accelerator Laboratory, laboratorium Departemen Energi AS yang dioperasikan oleh Universitas Stanford, telah menemukan bahwa cuPyNumeric membantu mereka mempercepat eksperimen sinar-X yang dilakukan di Sumber Cahaya Koheren Linac.
Tim SLAC yang berfokus pada penemuan ilmu material untuk semikonduktor menemukan bahwa cuPyNumeric mempercepat aplikasi analisis datanya sebesar 6x, mengurangi waktu pengoperasian dari menit menjadi detik. Percepatan ini memungkinkan tim untuk menjalankan analisis penting secara paralel saat melakukan eksperimen di fasilitas yang sangat terspesialisasi ini.
Dengan menggunakan jam percobaan lebih efisien, tim mengantisipasi akan dapat menemukan sifat material baru, berbagi hasil, dan menerbitkan pekerjaan lebih cepat.
Di Australia National University, para peneliti menggunakan cuPyNumeric untuk menskalakan algoritma optimasi Levenberg-Marquardt untuk berjalan pada sistem multi-GPU di National Computational Infrastructure negara itu. Sementara algoritma dapat digunakan untuk banyak aplikasi, target awal para peneliti adalah model iklim dan cuaca skala besar.
Laboratorium Nasional Los Alamos, tempat para peneliti menerapkan cuPyNumeric untuk mempercepat ilmu data, ilmu komputasi, dan algoritma pembelajaran mesin. cuPyNumeric akan memberi mereka alat tambahan untuk secara efektif menggunakan superkomputer Venado yang baru saja diluncurkan, yang menampilkan lebih dari 2.500 NVIDIA GH200 Grace Hopper Superchips.
Pusat Penelitian Turbulensi Universitas Stanford, di mana para peneliti sedang mengembangkan pemecah dinamika fluida komputasi berbasis Python yang dapat berjalan dalam skala besar pada cluster komputasi yang dipercepat besar menggunakan cuPyNumeric. Pemecah ini dapat mengintegrasikan koleksi besar simulasi fluida dengan mulus dengan pustaka pembelajaran mesin populer seperti PyTorch, memungkinkan aplikasi kompleks termasuk pelatihan online dan pembelajaran penguatan.
Cek Berita dan Artikel yang lain di
Google News
