انویدیا با دو الگوریتم جدید سرعت محاسبات علمی را تا ۶٫۶ برابر افزایش داد

شرکت انویدیا روز جمعه ۱۳ نوامبر ۲۰۲۶ جزئیات دو الگوریتم تازه برای افزایش سرعت محاسبات علمی با دقت بالا را منتشر کرد. این فناوریها که با نامهای Ozaki-II و 2M شناخته میشوند، در نسخه جدید کتابخانه ریاضی cuBLAS به کار گرفته شدهاند و به پردازندههای گرافیکی اجازه میدهند بخشی از محاسباتی را که به دقت ۶۴بیتی نیاز دارند، از طریق واحدهای پردازشی سریعتر انجام دهند.
در آزمایشهای منتشرشده توسط انویدیا، عملکرد ضرب ماتریسهای واقعی با دقت FP64 روی سامانه Vera Rubin NVL72 تا ۵٫۵ برابر و روی سامانه GB200 تا ۳٫۹ برابر نسبت به اجرای مستقیم روی واحدهای محاسباتی ۶۴بیتی افزایش یافته است. همچنین ترکیب الگوریتمهای جدید در یک شبیهسازی علم مواد با نرمافزار BerkeleyGW به افزایش سرعتی تا ۶٫۶ برابر روی سامانه Vera Rubin رسیده است.
این اعداد اگرچه قابل توجه هستند، اما نباید به معنای شش برابر سریعترشدن تمام نرمافزارهای علمی تعبیر شوند. نتایج براساس آزمایشهای داخلی انویدیا و با استفاده از سختافزارها و تنظیمات مشخص به دست آمدهاند. میزان افزایش سرعت در کاربردهای دیگر میتواند متفاوت باشد.
اهمیت این پیشرفت به مسئلهای قدیمی در رایانش علمی بازمیگردد. پژوهشگرانی که رفتار مولکولها، مواد، سامانههای فیزیکی یا فرایندهای شیمیایی را شبیهسازی میکنند، اغلب به محاسبات عددی بسیار دقیق نیاز دارند. اما انجام چنین محاسباتی معمولاً هزینه پردازشی بالایی دارد.
انویدیا تلاش کرده با استفاده از روشهای ریاضی جدید، بخشی از این محدودیت را کاهش دهد. در روش تازه، اعداد با دقت بالا به اجزای عدد صحیح تبدیل میشوند، عملیات اصلی روی واحدهای پرسرعت Tensor Core انجام میگیرد و سپس نتیجه با روشهای مشخص بازسازی میشود.
طبق توضیح شرکت، این فرایند میتواند بدون تغییر در کد اصلی بسیاری از برنامههایی که از کتابخانه cuBLAS استفاده میکنند، سرعت محاسبات را افزایش دهد.
چرا محاسبات علمی به دقت بسیار بالا نیاز دارند؟
در بسیاری از کاربردهای روزمره رایانه، اختلاف بسیار کوچک میان دو عدد تأثیر محسوسی بر نتیجه نهایی ندارد. برای نمونه، هنگام اجرای یک بازی رایانهای یا نمایش تصویری سهبعدی، ممکن است استفاده از دقت عددی پایینتر همچنان خروجی مناسبی ایجاد کند.
اما شرایط در محاسبات علمی متفاوت است.
فرض کنید پژوهشگری میخواهد انرژی یک مولکول را محاسبه کند یا تغییرات الکترونی در یک ماده را بررسی کند. ممکن است نتیجه موردنظر از اختلاف میان چند مقدار بسیار بزرگ به دست آید. در چنین شرایطی، خطای کوچک عددی میتواند بر کیفیت نتیجه تأثیر بگذارد.
این مسئله در شبیهسازیهای پیچیدهتر اهمیت بیشتری پیدا میکند، زیرا خطاهای عددی ممکن است در مراحل متعدد محاسبه وارد شوند.
یکی از قالبهای شناختهشده برای ذخیره و پردازش اعداد، استاندارد ممیز شناور ۶۴بیتی یا FP64 است.
این قالب در مقایسه با دقت ۳۲بیتی، امکان نمایش عدد با دقت بیشتری را فراهم میکند و در بسیاری از نرمافزارهای پژوهشی استفاده میشود.
البته FP64 به معنای حذف تمام خطاهای محاسباتی نیست. حتی در این قالب نیز نحوه انجام عملیات، ترتیب جمعکردن اعداد و ویژگیهای الگوریتم میتوانند بر نتیجه اثر بگذارند.
بااینحال، دقت ۶۴بیتی یکی از ابزارهای اصلی بسیاری از برنامههای شبیهسازی علمی است.
مشکل آنجاست که پردازش چنین اعدادی روی بعضی پردازندهها نسبت به محاسبات کمدقتتر کندتر انجام میشود.
انویدیا با الگوریتمهای جدید خود تلاش میکند بخشی از این فاصله عملکردی را کاهش دهد.
Tensor Core چیست و چرا برای این فناوری اهمیت دارد؟
Tensor Core نام واحدهای پردازشی تخصصی در برخی پردازندههای گرافیکی انویدیاست که برای انجام محاسبات ماتریسی با سرعت بالا طراحی شدهاند.
ماتریسها در بسیاری از حوزههای رایانش نقش اساسی دارند. از شبکههای عصبی گرفته تا شبیهسازیهای فیزیکی، حجم بزرگی از عملیات به ضرب و جمع ماتریسها وابسته است.
پردازندههای گرافیکی با داشتن تعداد زیادی واحد محاسباتی میتوانند بخشهای مختلف این عملیات را بهصورت موازی اجرا کنند.
Tensor Core این قابلیت را برای برخی انواع عملیات ماتریسی گسترش میدهد.
اما تمام انواع دادههای عددی از نظر سرعت اجرا شرایط یکسانی ندارند.
بسیاری از شتابدهندههای جدید هوش مصنوعی برای انجام عملیات با دقت پایینتر بهینه شدهاند، زیرا مدلهای یادگیری ماشین در بعضی مراحل میتوانند با چنین قالبهایی عملکرد مناسبی داشته باشند.
در مقابل، بسیاری از شبیهسازیهای علمی همچنان به دقت بالاتری نیاز دارند.
روش جدید انویدیا تلاش میکند از ظرفیت واحدهای سریعتر برای انجام محاسباتی استفاده کند که در نهایت باید کیفیت عددی معادل FP64 داشته باشند.
این موضوع با اجرای ساده یک محاسبه علمی در دقت پایینتر تفاوت دارد.
هدف آن است که بخش اصلی عملیات از مسیر سریعتر عبور کند، در حالی که الگوریتم بازسازی و کنترل خطا کیفیت موردنیاز را حفظ کند.
الگوریتم Ozaki-II چگونه کار میکند؟
الگوریتم Ozaki-II یکی از مهمترین فناوریهای معرفیشده در گزارش ۱۳ نوامبر است.
ایده اصلی آن به استفاده از محاسبات عدد صحیح برای انجام عملیات ماتریسی دقیق مربوط میشود.
در این روش، اعداد ورودی پس از آمادهسازی به بخشهایی تبدیل میشوند که بتوان آنها را با واحدهای پردازشی عدد صحیح محاسبه کرد.
سپس نتایج این عملیات با استفاده از قواعد ریاضی بازسازی میشوند تا نتیجه نهایی کیفیت عددی موردنظر را داشته باشد.
نسخه قبلی این روش، Ozaki-I، نیز از تجزیه اعداد و عملیات عدد صحیح استفاده میکرد. بااینحال، تعداد عملیات موردنیاز آن با افزایش تعداد بخشهای عددی بهسرعت بیشتر میشد.
در Ozaki-II از روشی مبتنی بر قضیه باقیمانده چینی یا Chinese Remainder Theorem استفاده شده است.
این قضیه ریاضی امکان بازسازی یک عدد را از مجموعهای از باقیماندههای آن نسبت به چند عدد مناسب فراهم میکند.
الگوریتم جدید از همین ویژگی برای سازماندهی محاسبات استفاده میکند.
براساس توضیح انویدیا، تعداد عملیات ماتریسی موردنیاز در Ozaki-II در مقایسه با روش قبلی کاهش مییابد و افزایش آن نسبت به تعداد بخشهای عددی، رفتار مناسبتری دارد.
این تفاوت بهویژه زمانی اهمیت پیدا میکند که هدف، حفظ دقت بالا باشد.
در چنین شرایطی، کاهش تعداد عملیات میتواند بخش قابل توجهی از زمان پردازش را کم کند.
البته عملکرد نهایی همچنان به اندازه ماتریسها، سختافزار و شرایط اجرای الگوریتم بستگی دارد.
قضیه باقیمانده چینی چه ارتباطی با پردازنده گرافیکی دارد؟
قضیه باقیمانده چینی یک مفهوم قدیمی در نظریه اعداد است و در نگاه نخست ممکن است ارتباط مستقیمی با پردازندههای گرافیکی نداشته باشد.
اما بسیاری از فناوریهای رایانشی جدید با استفاده از ایدههای شناختهشده ریاضی توسعه پیدا میکنند.
فرض کنید بخواهیم محاسبهای را روی یک عدد بسیار بزرگ انجام دهیم. انجام مستقیم عملیات روی چنین عددی ممکن است دشوار یا پرهزینه باشد.
یکی از راهکارها آن است که عدد را براساس چند پیمانه مناسب بررسی کنیم و عملیات موردنیاز را روی باقیماندهها انجام دهیم.
در شرایط مشخص، میتوان نتیجه را از این بخشها بازسازی کرد.
Ozaki-II از چنین رویکردی برای محاسبات عدد صحیح در ضرب ماتریسی استفاده میکند.
این روش به الگوریتم اجازه میدهد از واحدهایی بهره ببرد که برای عملیات کوچکتر و سریعتر مناسب هستند.
مزیت اصلی فقط تقسیم مسئله به چند بخش نیست؛ بلکه شیوه تقسیم و بازسازی نتیجه است.
اگر این فرایند به عملیات اضافی بسیار زیادی نیاز داشته باشد، مزیت سرعت از بین میرود.
انویدیا توضیح داده که Ozaki-II با کاهش تعداد ضربهای لازم، نسبت به روش قبلی کارآمدتر شده است.
استفاده از روشهای مدیریت حافظه نیز کمک میکند دادههای میانی بیش از اندازه فضای ذخیرهسازی مصرف نکنند.
در نتیجه، فناوری جدید ترکیبی از نظریه اعداد، الگوریتمهای ماتریسی و بهینهسازی برای معماری پردازنده گرافیکی است.
افزایش سرعت ۵٫۵ برابری دقیقاً در چه آزمایشی ثبت شد؟
یکی از مهمترین نتایج اعلامشده مربوط به عملیات DGEMM است.
این نام به ضرب ماتریسهای متراکم با اعداد حقیقی در دقت ۶۴بیتی اشاره دارد.
عملیات DGEMM در تعداد زیادی از کتابخانههای محاسبات علمی استفاده میشود و به همین دلیل، سرعت اجرای آن برای پژوهشگران اهمیت دارد.
انویدیا اعلام کرده Ozaki-II روی سامانه Vera Rubin NVL72 در آزمایشهای مشخص DGEMM به افزایش سرعتی تا ۵٫۵ برابر نسبت به اجرای بومی FP64 رسیده است.
در سامانه GB200 نیز حداکثر افزایش سرعت اعلامشده در همین نوع مقایسه ۳٫۹ برابر بوده است.
این تفاوت نشان میدهد نتیجه الگوریتم به معماری سختافزار وابسته است.
نسبت سرعت واحدهای عدد صحیح به واحدهای محاسبات ۶۴بیتی در محصولات مختلف یکسان نیست. بنابراین روشی که روی یک پردازنده مزیت زیادی دارد، ممکن است روی پردازنده دیگر نتیجه متفاوتی ایجاد کند.
اندازه ماتریسها نیز اهمیت دارد.
در مسائل کوچک، هزینه آمادهسازی دادهها و بازسازی نتیجه ممکن است بخش قابل توجهی از زمان اجرا را تشکیل دهد.
اما در مسائل بزرگتر، سهم محاسبات ماتریسی افزایش مییابد و الگوریتم میتواند فرصت بیشتری برای استفاده از ظرفیت پردازنده داشته باشد.
به همین دلیل، عدد ۵٫۵ برابر باید در چارچوب آزمونهای اعلامشده تفسیر شود، نه بهعنوان شتاب قطعی تمام محاسبات FP64.
الگوریتم 2M چه تفاوتی با Ozaki-II دارد؟
دومین الگوریتم مهم معرفیشده با نام 2M شناخته میشود.
این روش بر محاسبات ماتریسی با اعداد مختلط تمرکز دارد.
عدد مختلط از یک بخش حقیقی و یک بخش موهومی تشکیل میشود و در بسیاری از محاسبات فیزیکی و مهندسی کاربرد دارد.
برای مثال، در مدلسازی بعضی پدیدههای موجی و محاسبات مرتبط با ساختار الکترونی مواد از اعداد مختلط استفاده میشود.
ضرب معمول دو ماتریس مختلط میتواند از طریق چهار ضرب ماتریسی حقیقی انجام شود.
روشهای بهینهتری نیز وجود دارند که تعداد ضربها را کاهش میدهند، اما حفظ پایداری عددی در آنها اهمیت زیادی دارد.
انویدیا توضیح داده که الگوریتم 2M در ترکیب با محاسبات عدد صحیح دقیق Ozaki-II میتواند عملیات لازم را به دو ضرب ماتریسی حقیقی کاهش دهد.
این کاهش تعداد عملیات از نظر محاسباتی اهمیت دارد، زیرا ضرب ماتریسها یکی از بخشهای پرهزینه چنین برنامههایی است.
طبق آزمون منتشرشده، استفاده از روش جدید در عملیات ZGEMM روی GB200 به افزایش سرعتی تا پنج برابر در مقایسه با روش بومی مورد بررسی منجر شده است.
اما همانند نتایج DGEMM، این عدد نیز به شرایط اجرای آزمون وابسته است.
چرا این فناوری برای شبیهسازی مولکولها مهم است؟
یکی از کاربردهای بررسیشده در گزارش انویدیا، شیمی محاسباتی است.
پژوهشگران این حوزه از مدلهای ریاضی برای بررسی ساختار الکترونی مولکولها و محاسبه ویژگیهای آنها استفاده میکنند.
بعضی روشهای پیشرفته شیمی کوانتومی به تعداد زیادی عملیات ماتریسی و تانسوری با دقت بالا نیاز دارند.
یکی از این روشها CCSD است که برای محاسبه همبستگی الکترونی استفاده میشود.
در محاسبات پیچیده CCSD، حتی مولکولهای نسبتاً کوچک میتوانند هزینه پردازشی قابل توجهی ایجاد کنند.
انویدیا برای بررسی الگوریتم جدید خود از نمونههایی شامل مجموعههای مولکولی با حدود ۲۴ تا ۲۸ اتم استفاده کرده است.
براساس نتایج شرکت، اجرای بخشهای اصلی محاسبات با Ozaki-II میتواند زمان موردنیاز را در شرایط مشخص کاهش دهد.
نکته مهم این است که افزایش سرعت یک عملیات ماتریسی الزاماً به همان نسبت باعث افزایش سرعت کل نرمافزار نمیشود.
برنامه علمی ممکن است مراحل دیگری داشته باشد که با همان سرعت قبلی اجرا میشوند.
به همین دلیل، انویدیا علاوه بر آزمونهای مستقل ماتریسی، نتایج مربوط به اجرای کاملتر کاربرد علمی را نیز منتشر کرده است.
این روش ارزیابی تصویر واقعبینانهتری از تأثیر فناوری بر زمان نهایی محاسبه ارائه میدهد.
آیا حفظ دقت ۶۴بیتی واقعاً امکانپذیر است؟
یکی از حساسترین بخشهای فناوری تازه، اعتبار عددی نتایج است.
اگر قرار باشد سرعت محاسبات افزایش پیدا کند اما خطای خروجی بیشتر از حد قابل قبول شود، بسیاری از پژوهشگران نمیتوانند از روش جدید استفاده کنند.
انویدیا در گزارش ۱۳ نوامبر توضیح داده که چارچوب Automatic Dynamic Precision یا ADP برای انتخاب سطح مناسب دقت و مدیریت خطا به کار گرفته میشود.
این چارچوب میتواند تعداد بیتهای موردنیاز را براساس ویژگیهای داده و شرایط مسئله تعیین کند.
همچنین در صورتی که حفظ کیفیت عددی با محدودیتهای مسیر شتابیافته سازگار نباشد، کتابخانه میتواند از مسیر محاسباتی FP64 بومی استفاده کند.
پژوهشگران انویدیا در مقاله علمی منتشرشده همان روز، شرایطی را بررسی کردهاند که در آن روشهای مبتنی بر محاسبات نقطه ثابت میتوانند کران خطای قابل مقایسه با ضرب ماتریسی ممیز شناور ارائه کنند.
البته کیفیت عددی معادل FP64 را نباید در همه شرایط با برابری بیتبهبیت خروجی تمام پیادهسازیها اشتباه گرفت.
ممکن است دو روش معتبر محاسباتی به دلیل ترتیب عملیات، اختلاف بسیار کوچکی در نتیجه داشته باشند.
آنچه اهمیت دارد رعایت معیارهای دقت و خطای قابل قبول برای کاربرد موردنظر است.
آزمایش روی نرمافزار BerkeleyGW چه نتیجهای داشت؟
انویدیا برای بررسی کاربرد صنعتی و پژوهشی الگوریتم جدید، از نرمافزار BerkeleyGW نیز استفاده کرده است.
این نرمافزار در پژوهشهای علم مواد و محاسبات مربوط به ویژگیهای الکترونی استفاده میشود.
بررسی رفتار الکترونها در مواد میتواند به شناخت بهتر ویژگیهای فیزیکی آنها کمک کند.
چنین محاسباتی در توسعه و مطالعه مواد جدید، نیمهرساناها و ساختارهای پیشرفته اهمیت دارند.
بخشی از محاسبات BerkeleyGW به عملیات ماتریسی مختلط با دقت بالا وابسته است.
انویدیا اعلام کرده ترکیب Ozaki-II و 2M در آزمون مشخص این نرمافزار روی GB200 به افزایش سرعت ۳٫۹ برابری و روی Vera Rubin NVL72 به افزایش سرعت ۶٫۶ برابری نسبت به مسیرهای مبنای همان سختافزار منجر شده است.
این نتایج از نظر پژوهشی جالب توجهاند، زیرا فقط به یک آزمون مصنوعی ماتریسی محدود نشدهاند.
بااینحال، آزمون موردنظر شامل ماژول و مسئله مرجع مشخصی بوده است.
بنابراین نمیتوان نتیجه گرفت همه پروژههای علم مواد یا تمام بخشهای BerkeleyGW در هر شرایطی ۶٫۶ برابر سریعتر خواهند شد.
ارزیابی مستقل روی مسئلههای متفاوت برای مشخصشدن دامنه واقعی مزیت فناوری اهمیت خواهد داشت.
نسل Rubin چه نقشی در افزایش سرعت دارد؟
در گزارش جدید، نسل Rubin انویدیا نیز مورد توجه قرار گرفته است.
این معماری برای اجرای حجم بزرگی از محاسبات پیشرفته طراحی شده و در بعضی انواع عملیات عدد صحیح قابلیتهای تازهای دارد.
انویدیا به قالب عددی TI16 اشاره کرده که میتواند برای روشهای شتابیافته Ozaki مناسب باشد.
ترکیب الگوریتم نرمافزاری و قابلیت سختافزار میتواند امکان دستیابی به عملکرد بهتر را فراهم کند.
این موضوع نشان میدهد افزایش سرعت رایانهها همیشه به افزودن تعداد بیشتری واحد پردازشی محدود نیست.
گاهی تغییر روش انجام محاسبه میتواند از سختافزار موجود استفاده مؤثرتری کند.
در بعضی کاربردها، اصلاح الگوریتم حتی ممکن است در مقایسه با افزایش ساده تعداد پردازندهها اهمیت بیشتری پیدا کند.
البته نتیجه نهایی به هماهنگی نرمافزار و سختافزار بستگی دارد.
روش جدیدی که برای یک معماری مناسب طراحی شده، الزاماً روی تمام پردازندهها همان میزان افزایش سرعت را ایجاد نمیکند.
به همین دلیل، انویدیا نتایج مربوط به چند نسل و مدل مختلف را جداگانه منتشر کرده است.
آیا برنامهنویسان باید کد نرمافزارهای خود را تغییر دهند؟
یکی از ویژگیهای مهم قابلیت تازه، ادغام آن با کتابخانه cuBLAS است.
این کتابخانه از ابزارهای اصلی اکوسیستم CUDA برای انجام عملیات جبر خطی روی پردازندههای گرافیکی انویدیا محسوب میشود.
بسیاری از برنامههای علمی بهجای نوشتن تمام عملیات ماتریسی از ابتدا، از کتابخانههای آماده و بهینهشده استفاده میکنند.
وقتی یک الگوریتم جدید به چنین کتابخانهای اضافه میشود، بعضی برنامهها میتوانند بدون بازنویسی بخشهای اصلی خود از آن بهره ببرند.
انویدیا اعلام کرده قابلیتهای جدید در CUDA Toolkit 13.4.2 به کار گرفته شدهاند و کتابخانه میتواند در شرایط مناسب، روش اجرای محاسبات را بهصورت خودکار انتخاب کند.
البته این موضوع به معنی افزایش عملکرد تمام برنامههای CUDA نیست.
نرمافزاری که از مسیرهای دیگر برای محاسبات استفاده میکند، ممکن است به تغییرات بیشتری نیاز داشته باشد.
همچنین برنامهنویسان باید بررسی کنند که تنظیمات دقت، نسخه کتابخانه و سختافزار مورد استفاده با نیاز برنامه سازگار هستند.
بنابراین سادهترشدن استفاده از الگوریتم جدید یک مزیت مهم است، اما جای بررسی عملکرد واقعی را نمیگیرد.
این پیشرفت چه تأثیری بر هزینه پژوهش دارد؟
در پژوهشهایی که به توان محاسباتی بالا نیاز دارند، زمان اجرای نرمافزار میتواند مستقیماً بر هزینه پروژه اثر بگذارد.
اگر یک شبیهسازی چندین ساعت یا چند روز روی ابررایانه اجرا شود، کاهش زمان پردازش ممکن است امکان اجرای آزمونهای بیشتری را فراهم کند.
این موضوع برای گروههای پژوهشی اهمیت دارد، زیرا زمان استفاده از سامانههای محاسباتی معمولاً محدود یا دارای هزینه است.
اما افزایش سرعت یک بخش محاسباتی الزاماً به همان نسبت هزینه کل پروژه را کاهش نمیدهد.
هزینه ذخیرهسازی دادهها، آمادهسازی مسئله، انتقال اطلاعات و مصرف منابع دیگر نیز باید در نظر گرفته شود.
همچنین اجرای سریعتر ممکن است به استفاده از سختافزار گرانتری وابسته باشد.
برای بررسی صرفه اقتصادی باید هزینه نهایی انجام یک محاسبه مشخص را با روشهای مختلف مقایسه کرد.
انویدیا هنوز نتایج مستقلی درباره کاهش هزینه تمام کاربردهای علمی منتشر نکرده است.
بااینحال، امکان اجرای سریعتر بعضی محاسبات دقیق میتواند برای مراکز پژوهشی و کاربران محاسبات سنگین مزیت بالقوهای داشته باشد.
آیا نتایج انویدیا بهصورت مستقل تأیید شدهاند؟
بخش عمده اعداد عملکردی منتشرشده در خبر ۱۳ نوامبر از آزمونهای خود انویدیا به دست آمدهاند.
گزارش رسمی شامل توضیحات فنی، روشهای مقایسه و نمونههایی از نرمافزارهای علمی است.
علاوه بر آن، پژوهش علمی مرتبط با تضمین خطا منتشر شده که مبنای نظری بخشی از روش را توضیح میدهد.
این اطلاعات امکان بررسی تخصصی بیشتری نسبت به یک ادعای تبلیغاتی کوتاه فراهم میکنند.
اما هنوز باید میان انتشار روش و تأیید مستقل عملکرد تفاوت گذاشت.
برای نتیجهگیری درباره مزیت عمومی، لازم است پژوهشگران دیگر الگوریتم را روی سختافزارها، دادهها و برنامههای مختلف بررسی کنند.
ممکن است نتایج در بعضی مسائل بهتر و در برخی دیگر ضعیفتر باشند.
همچنین تغییر نسخه نرمافزار یا تنظیمات محاسبات میتواند بر نتیجه اثر بگذارد.
بنابراین مناسبتر است اعداد ۵٫۵ و ۶٫۶ برابر با انتساب روشن به آزمایشهای انویدیا گزارش شوند.
جمعبندی؛ سرعت بیشتر بدون کنارگذاشتن دقت علمی
معرفی Ozaki-II و 2M در ۱۳ نوامبر ۲۰۲۶ نشان میدهد افزایش توان رایانش علمی تنها به تولید نسل جدیدی از پردازندهها وابسته نیست.
انویدیا با استفاده از روشهای ریاضی و قابلیتهای واحدهای پردازشی عدد صحیح تلاش کرده انجام محاسبات بسیار دقیق را سریعتر کند.
در آزمایشهای شرکت، این روش توانسته سرعت بعضی عملیات ماتریسی را چند برابر افزایش دهد و در نمونههایی از شیمی محاسباتی و علم مواد نیز عملکرد بهتری ارائه کند.
اما مهمترین ویژگی آن فقط شتاب محاسبات نیست.
هدف فناوری، حفظ کیفیت عددی مناسب در کاربردهایی است که کاهش بیبرنامه دقت میتواند نتیجه علمی را تغییر دهد.
استفاده از چارچوب کنترل دقت و امکان بازگشت به مسیر بومی FP64 در شرایط لازم، بخش مهمی از این رویکرد است.
با وجود نتایج امیدوارکننده، میزان افزایش سرعت به سختافزار، اندازه مسئله، نوع عملیات و تنظیمات نرمافزاری وابسته خواهد بود.
اگر پژوهشگران مستقل نیز در کاربردهای گستردهتر عملکرد مناسبی مشاهده کنند، این فناوری میتواند به یکی از ابزارهای مفید برای کاهش زمان شبیهسازیهای علمی تبدیل شود.
در نهایت، اهمیت خبر تازه انویدیا در آن است که نشان میدهد حتی در دورهای که توجه صنعت فناوری عمدتاً به مدلهای هوش مصنوعی معطوف شده، پیشرفت در الگوریتمهای پایه ریاضی همچنان میتواند نقش مهمی در افزایش قدرت و کارایی رایانههای پیشرفته داشته باشد.



