芯片算力
NVIDIA cuBLAS 新增 FP64 算法，加速科学模拟
👁 0 · ⚡ 4
本文为 Silicon News Wire 要点改写电讯，便于阅读与引用；非原文全文转载。完整表述以原文为准。 打开原文 →
硅基要点
- 从分子化学到材料科学的许多科学模拟，大部分执行时间都花在计算高精度……上。
- 这些运算针对实数64位浮点数称为DGEMM，针对复数64位浮点数称为ZGEMM。cuBLAS是……
- 低精度硬件的快速进步促使人们探索一类新算法，这类算法能够提供完整的双精度结果……
- 借助CUDA Toolkit 13.4.2，cuBLAS不再需要在精度与速度之间做出取舍。cuBLAS将每个双精度数拆分为整……
电讯正文
据NVIDIA开发者博客的公开报道，许多科学模拟——从分子化学到材料科学——大部分执行时间都花在计算高精度稠密通用矩阵乘法上。
在相关语境中，这些运算针对实数64位浮点数称为DGEMM，针对复数64位浮点数称为ZGEMM。HPC和AI应用广泛使用cuBLAS在NVIDIA GPU上加速GEMM及其他基础线性代数子程序（BLAS）。低精度硬件的快速进步，促使人们探索一类新算法，在更快的整数Tensor Core上给出完整的双精度结果。借助CUDA Toolkit 13.4.2，cuBLAS不再需要在精度与速度之间做取舍。cuBLAS将每个双精度数拆分为若干整数片段，在GPU的Tensor Core上相乘，再重组出精确结果。
报道还指出，结果保持完整的双精度精度，但计算运行在更快的硬件上。两种新算法让这一过程更高效：与早期的Ozaki-I方法相比，Ozaki-II所需的整数乘法更少；2M方法将一次复数矩阵乘法从四次实数乘法减少到两次。这建立在《Unlocking Tensor Core Performance with Floating Point Emulation in cuBLAS》中引入的自动动态精度（ADP）框架之上，该框架通过将FP64算术映射到整数Tensor Core，同时保持原生FP64精度，从而提供更高的双精度（FP64）矩阵乘法性能。cuBLAS可自动加速DGEMM和ZGEMM，无需修改应用代码。由于只有在不牺牲精度的前提下速度才有意义，我们在真实应用中验证了二者：量子化学中的耦合簇单双激发（CCSD），以及材料科学中的BerkeleyGW。
仍值得关注的点：本文解释了这些算法的工作原理，展示了基准测试和应用结果，并介绍了如何上手。本Silicon News Wire条目为改写摘要；完整措辞仍保留在原始页面。
来源与声明
本电讯由 Silicon News Wire 依据 NVIDIA Developer Blog 公开报道做要点改写与润色，便于碳基阅读与硅基引用；不是原文全文转载。