NVIDIA 正在與全球科技巨頭和美國頂級超級計算實驗室開展合作，為數(shù)據(jù)分析和機器學習，這一高性能計算發(fā)展最為迅猛的領域帶來加速支持。

這一新計劃標志著高性能計算加速工作迎來了一個關鍵時刻，預計在未來幾年內(nèi)，高性能計算的市場規(guī)模將迎來顯著的增長。全球數(shù)據(jù)量每年都會翻倍，但隨著摩爾定律的終結，CPU 計算已遭遇到了瓶頸。

通過與 Microsoft、Cisco、Dell EMC、Hewlett Packard Enterprise、IBM、Oracle 等公司攜手，NVIDIA已經(jīng)為客戶實現(xiàn)了50 倍的數(shù)據(jù)任務加速。根據(jù)美國能源部橡樹嶺國家實驗室的初始測試表明，在相關氣候預測研究中，所實現(xiàn)的加速效果更是高達215 倍之多。

“激流”般的革新

早在十年前，NVIDIA就已經(jīng)實現(xiàn)了針對科學計算的加速。從那時起，在我們的幫助下，已有包括多位諾貝爾獎得主在內(nèi)的眾多研究人員成功為其計算密集型模擬實現(xiàn)了加速，從而得以應對一些世界上最為困難的挑戰(zhàn)。

隨后，也就是五年前，我們通過優(yōu)化后的軟件使GPU 平臺具備了深度學習加速功能，并就此引發(fā)了一場 AI 變革。

NVIDIA于去年推出了新款開源數(shù)據(jù)科學加速軟件，標志著第三次技術革新浪潮的興起。

此次浪潮以 RAPIDS 為中心，這是一個開源的數(shù)據(jù)分析和機器學習加速平臺，用于完全在 GPU 上執(zhí)行端到端的數(shù)據(jù)科學訓練管線。

RAPIDS依賴于NVIDIA CUDA進行低級別計算優(yōu)化，并通過用戶友好型的Python界面實現(xiàn) GPU 并行結構和極高的內(nèi)存帶寬。RAPIDS 數(shù)據(jù)框架庫可模仿 pandas API，且構建在 Apache Arrow 之上，可以在最大限度上實現(xiàn)互操作性和高性能。

更多加速機器學習步入云端

如今，NVIDIA正在與全球各大領先的技術公司合作，讓更多的用戶可以在更多的地方享受到加速機器學習帶來的便利。

通過與 NVIDIA 的緊密合作，Microsoft 正在為其 Azure Machine Learning 用戶提供加速機器學習的服務。

“Azure Machine Learning 是一個領先的平臺，幫助數(shù)據(jù)科學家從云端到終端設備構建、訓練、管理并部署機器學習模型?！盡icrosoft Azure AI 企業(yè)副總裁 Eric Boyd 說道，“我們一直在與 NVIDIA 合作，為數(shù)據(jù)科學家提供由 GPU 提供技術支持的計算能力。此外，我們也很高興能夠通過 RAPIDS 開源項目為 Azure 用戶提供軟件。我期待著能夠看到數(shù)據(jù)科學社區(qū)利用 RAPIDS 和 Azure Machine Learning 取得研究成果?！?/p>

更多加速機器學習系統(tǒng)即將問世

同時，NVIDIA也在與基于 NVIDIA HGX-2 云服務器平臺的領先計算機制造商開展合作，共同研發(fā)一系列適用于所有 AI 和高性能計算工作負荷的新產(chǎn)品。

通過RAPIDS，數(shù)據(jù)科學家可以將更多時間用于分析和迭代，并減少等待時間。

NVIDIA HGX-2 可為每個節(jié)點提供每秒2 千萬億次浮點運算的計算性能，與僅采用 CPU 的服務器相比，NVIDIA HGX-2 運行機器學習工作負荷的速度要快上近550 倍。

加速機器學習賦能科學突破

美國多家領先實驗室所從事的研究課題包括了核聚變研究，人類基因組學，和氣候預測在內(nèi)的各個領域，這些研究工作均依賴于科學計算、深度學習和數(shù)據(jù)科學。

NVIDIA DGX-2 旨在應對需要處理海量計算的應用，幫助科研人員在對性能要求最高的領域里取得性能突破。DGX-2 可以與 RAPIDS 開源機器學習軟件配合使用，其現(xiàn)已幫助多家美國能源部實驗室的科學家加速了他們的研究進程。

其中，美國橡樹嶺國家實驗室的研究人員已經(jīng)借助 DGX-2 和 RAPIDS 取得了早期成果。

如今，研究人員可以利用體量龐大的觀察數(shù)據(jù)來構建模型，從而增強與氣候模擬相關的能源安全應用。然而在過去，利用氣候數(shù)據(jù)集進行訓練的機器學習算法一直受到計算性能的制約，且訓練過程非常緩慢。但現(xiàn)在，改變終于來了。

借助 DGX-2 和 RAPIDS，橡樹嶺國家實驗室的研究人員已經(jīng)大大提升了在大型數(shù)據(jù)集上應用機器學習的速度。他們在 DGX-2 上運行XGBoost，將大小為224GB 的模型訓練用時從在CPU節(jié)點上所需的21 個小時，縮短至僅6 分鐘，實現(xiàn)了215 倍的加速。