NVIDIA Hopper GPU 架构采用全新 DPX 指令将动态编程速度提升 40 倍

    动态编程算法应用于医疗健康、机器人、量子计算、数据科学等多个领域。

    3 月 23 日在 GTC 上发布的 NVIDIA Hopper GPU 架构利用全新 DPX 指令，将动态编程速度提高多达 40 倍。动态编程是一种应用于基因组学、量子计算、路线优化等领域算法中，用以解决问题的技术。

    DPX 是 NVIDIA H100 GPU 的内置指令集，可帮助开发者编写代码，用以提高多个行业中动态编程算法的速度，从而加速疾病诊断、量子模拟、图形分析和路线优化的工作流程。

    何为动态编程？

    动态编程是一种起源于 20 世纪 50 年代的热门技术，它通过递归和记忆化这两种关键技术来解决复杂问题。

    递归是指将问题分解为较简单的子问题，达到节省时间和计算量的目的。而记忆化则负责存储这些子问题的答案，这些答案在解决主问题时会被重复使用多次。记忆化可提高效率，因此在主问题稍后需要这些答案时无需重新计算子问题。

    与 NVIDIA Ampere 架构 GPU 相比，DPX 指令在 NVIDIA H100 GPU 上将动态编程算法的速度提升了 7 倍之多。在搭载四块 NVIDIA H100 GPU 的节点中，速度还可以进一步提升。

    用例涵盖医疗健康、机器人、量子计算、数据科学

    动态编程通常用于许多优化、数据处理和组学算法中。迄今为止，大部分开发者都已在 CPU 或 FPGA 上运行了此类算法，而 NVIDIA Hopper GPU 上，借助 DPX 指令，可实现大幅加速。

    组学

    组学涵盖一系列生物领域，包括基因组学（侧重于 DNA）、蛋白质组学（侧重于蛋白质）和转录组学（侧重于 RNA）。这些领域为疾病研究和药物研发等依赖于算法分析（可通过 DPX 指令加速）的关键工作提供了依据。

    例如，Smith-Waterman 和 Needleman-Wunsch 动态编程算法用于 DNA 序列比对、蛋白质分类和蛋白质折叠之中。这两种算法均使用评分的方法来测量不同样本基因序列的比对情况。

    Smith-Waterman 可生成高度准确的结果，但与其他比对方法相比，需消耗更多计算资源和时间。在搭载四块 NVIDIA H100 GPU 的节点上使用 DPX 指令时，科学家可将此进程加快 35 倍，实现实时处理。其中，碱基识别和比对工作的速度与 DNA 测序相同。

    这种加速将有助于全球各地的医院普及基因组分析，让科学家朝着为患者提供个性化医疗的方向迈进。

    线路优化

    无论是行走于仓库这样动态化环境中的自主机器人，还是需要将数据传输到计算机网络中多个接收端的发送者，都需要为多个移动部件找到最优线路，这一点至关重要。

    为了解决这一优化问题，开发者使用 Floyd-Warshall 动态编程算法来寻找地图或图形中所有成对目的地之间的最短距离。在搭载四块 NVIDIA H100 GPU 的服务器中，与传统的双插槽 CPU 服务器相比，Floyd-Warshall 将速度提升了 40 倍之多。

    结合 NVIDIA cuOpt AI 物流软件，这种线路优化加速可用于工厂、自动驾驶汽车中的实时应用或抽象图形中的地图构建和线路算法。

    量子模拟

    借助 DPX 指令，其他大量动态编程算法均可在 NVIDIA H100 GPU 上实现加速。量子计算领域前景广阔。在量子计算中，量子模拟的张量优化算法会使用动态编程。DPX 指令可以帮助开发者加快识别正确张量缩并顺序的过程。

    SQL 查询优化

    另一个潜在应用领域是数据科学。使用 SQL 编程语言的数据科学家通常需要在一组表上执行多次“合并”运算。动态编程有助于找到这些合并的最佳顺序，这通常可以节省大量执行时间，从而加快 SQL 查询速度。