該加速計算庫幫助科研人員無縫地擴展到強大的計算集群，并且無需修改 Python 代碼，推進科學發(fā)現(xiàn)。

無論研究納米級電子行為，還是數(shù)百萬光年之外的星系碰撞，眾多科學家都面臨著一個共同的挑戰(zhàn)，那就是必須梳理數(shù) PB 的數(shù)據(jù)，才能從中獲得能夠推動相關領域發(fā)展的洞察。

借助 NVIDIA cuPyNumeric 加速計算庫，科研人員現(xiàn)在可以將他們的數(shù)據(jù)處理 Python 代碼毫不費力地運行在基于 CPU 的筆記本電腦、GPU 加速工作站、云服務器或大型超級計算機上。處理數(shù)據(jù)的速度越快，科學家們就能越快地針對有前景的數(shù)據(jù)點、值得研究的趨勢以及實驗調整做出決策。

想要躍進到加速計算，科研人員并不需要計算機科學方面的專業(yè)知識。他們只需使用熟悉的 NumPy 界面編寫代碼，或將 cuPyNumeric 應用于現(xiàn)有代碼，并遵循最佳實踐即可享受到卓越的性能和可擴展性。

一旦使用了 cuPyNumeric，他們就可以在一個或數(shù)千個 GPU 上運行代碼，并且無需修改任何代碼。

最新版 cuPyNumeric 現(xiàn)已在 Conda 和 GitHub 上發(fā)布，它支持 NVIDIA GH200 Grace Hopper 超級芯片、運行時自動進行資源配置以及改進的內存擴展。它還支持 HDF5，這種在科學界非常流行的文件格式有助于高效地管理大型的復雜數(shù)據(jù)。

SLAC 國家加速器實驗室、洛斯阿拉莫斯國家實驗室、澳大利亞國立大學、馬薩諸塞大學波士頓分校、斯坦福大學湍流研究中心和印度國家支付公司等機構的科研人員均集成了 cuPyNumeric，這顯著地改善了他們的數(shù)據(jù)分析工作流程。

少即是多：無需修改代碼

即可享受到無限的 GPU 可擴展性

Python 是數(shù)據(jù)科學、機器學習和數(shù)值計算領域最常用的編程語言，被天文學、藥物發(fā)現(xiàn)、材料科學和核物理等科學領域的數(shù)百萬科研人員所使用。GitHub 上數(shù)以萬計的軟件包都依賴于 NumPy 數(shù)學和矩陣庫，該庫在上個月的下載量超過 3 億次。所有這些應用都能受益于 cuPyNumeric 加速計算。

許多科學家都在構建使用 NumPy 的程序，并在一個僅采用 CPU 的節(jié)點上運行，這限制了其算法的吞吐量，無法處理電子顯微鏡、粒子對撞機和射電望遠鏡等儀器收集的日益龐大的數(shù)據(jù)集。

通過提供一個可擴展到數(shù)千個 GPU 的 NumPy 替代品，cuPyNumeric 幫助科研人員跟上數(shù)據(jù)集日益增長的規(guī)模和復雜性。從單個 GPU 擴展到整個超級計算機時，cuPyNumeric 不需要更改代碼。這使得科研人員可以輕松地在任何規(guī)模的加速計算系統(tǒng)上運行分析。

解決大數(shù)據(jù)問題，加速科學發(fā)現(xiàn)

美國能源部下屬的 SLAC 國家加速器實驗室（由斯坦福大學運營）的科研人員發(fā)現(xiàn)，cuPyNumeric 可幫助他們更快地使用直線加速器相干光源進行 X 射線實驗。

一個專注于半導體材料科學發(fā)現(xiàn)的 SLAC 團隊發(fā)現(xiàn)，cuPyNumeric 將數(shù)據(jù)分析應用程序的速度提高了 6 倍，將運行時間從幾分鐘縮短到幾秒鐘。憑借這樣的提速，該團隊能夠在這個高度專業(yè)化的設施內同時進行重要的分析和實驗。

通過更高效地進行實驗，該團隊預計將能更快地發(fā)現(xiàn)新的材料特性、分享成果并發(fā)表論文。

以下機構也正在使用 cuPyNumeric：

澳大利亞國立大學的科研人員利用 cuPyNumeric 來擴展勒文伯格-馬夸爾特優(yōu)化算法，以便在澳大利亞國家計算基礎設施中的多 GPU 系統(tǒng)上運行。雖然該算法可用于多種應用，但科研人員的最初目標是構建大規(guī)模的氣候和天氣模型。

洛斯阿拉莫斯國家實驗室的科研人員正在運用 cuPyNumeric 來加速數(shù)據(jù)科學、計算科學和機器學習算法。cuPyNumeri 將為他們提供更多工具，以便有效地利用最近推出的 Venado 超級計算機，該超級計算機配備了 2,500 多顆 NVIDIA GH200 Grace Hopper 超級芯片。

斯坦福大學湍流研究中心的科研人員正在開發(fā)基于 Python 的計算流體動力學求解器，該求解器可使用 cuPyNumeric 在大型加速計算集群上大規(guī)模地運行。這些求解器可以將大型流體模擬集合與 PyTorch 等流行的機器學習庫無縫集成，從而支持包括在線訓練和強化學習在內的復雜應用。

馬薩諸塞大學波士頓分校的一個研究團隊正在加速線性代數(shù)計算，以分析顯微鏡視頻并確定活性材料耗散的能量。該團隊使用 cuPyNumeric 來分解一個包含 1600 萬行和 4000 列的矩陣。

印度國家支付公司提供的實時數(shù)字支付系統(tǒng)每天大約被 2.5 億印度人所用，并在走向全球。印度國家支付公司使用復雜的矩陣計算來跟蹤付款人和收款人之間的交易路徑。使用當前的方法，在 CPU 系統(tǒng)上處理一周的交易數(shù)據(jù)大約需要 5 個小時。一項試驗表明，通過在多節(jié)點 NVIDIA DGX 系統(tǒng)上應用 cuPyNumeric 來加速計算，可以將矩陣乘法的速度提高 50 倍，從而使印度國家支付公司能夠在不到一個小時的時間內處理更長時間內的交易，并近乎實時地檢測到可疑的洗錢行為。