動態編程算法應用于醫療健康、機器人、量子計算、數據科學等多個領域。

    3 月 23 日在 GTC 上發布的 NVIDIA Hopper GPU 架構利用全新 DPX 指令，將動態編程速度提高多達 40 倍。動態編程是一種應用于基因組學、量子計算、路線優化等領域算法中，用以解決問題的技術。

    DPX 是 NVIDIA H100 GPU 的內置指令集，可幫助開發者編寫代碼，用以提高多個行業中動態編程算法的速度，從而加速疾病診斷、量子模擬、圖形分析和路線優化的工作流程。

    何為動態編程？

    動態編程是一種起源于 20 世紀 50 年代的熱門技術，它通過遞歸和記憶化這兩種關鍵技術來解決復雜問題。

    遞歸是指將問題分解為較簡單的子問題，達到節省時間和計算量的目的。而記憶化則負責存儲這些子問題的答案，這些答案在解決主問題時會被重復使用多次。記憶化可提高效率，因此在主問題稍后需要這些答案時無需重新計算子問題。

    與 NVIDIA Ampere 架構 GPU 相比，DPX 指令在 NVIDIA H100 GPU 上將動態編程算法的速度提升了 7 倍之多。在搭載四塊 NVIDIA H100 GPU 的節點中，速度還可以進一步提升。

    用例涵蓋醫療健康、機器人、量子計算、數據科學

    動態編程通常用于許多優化、數據處理和組學算法中。迄今為止，大部分開發者都已在 CPU 或 FPGA 上運行了此類算法，而 NVIDIA Hopper GPU 上，借助 DPX 指令，可實現大幅加速。

    組學

    組學涵蓋一系列生物領域，包括基因組學（側重于 DNA）、蛋白質組學（側重于蛋白質）和轉錄組學（側重于 RNA）。這些領域為疾病研究和藥物研發等依賴于算法分析（可通過 DPX 指令加速）的關鍵工作提供了依據。

    例如，Smith-Waterman 和 Needleman-Wunsch 動態編程算法用于 DNA 序列比對、蛋白質分類和蛋白質折疊之中。這兩種算法均使用評分的方法來測量不同樣本基因序列的比對情況。

    Smith-Waterman 可生成高度準確的結果，但與其他比對方法相比，需消耗更多計算資源和時間。在搭載四塊 NVIDIA H100 GPU 的節點上使用 DPX 指令時，科學家可將此進程加快 35 倍，實現實時處理。其中，堿基識別和比對工作的速度與 DNA 測序相同。

    這種加速將有助于全球各地的醫院普及基因組分析，讓科學家朝著為患者提供個性化醫療的方向邁進。

    線路優化

    無論是行走于倉庫這樣動態化環境中的自主機器人，還是需要將數據傳輸到計算機網絡中多個接收端的發送者，都需要為多個移動部件找到最優線路，這一點至關重要。

    為了解決這一優化問題，開發者使用 Floyd-Warshall 動態編程算法來尋找地圖或圖形中所有成對目的地之間的最短距離。在搭載四塊 NVIDIA H100 GPU 的服務器中，與傳統的雙插槽 CPU 服務器相比，Floyd-Warshall 將速度提升了 40 倍之多。

    結合 NVIDIA cuOpt AI 物流軟件，這種線路優化加速可用于工廠、自動駕駛汽車中的實時應用或抽象圖形中的地圖構建和線路算法。

    量子模擬

    借助 DPX 指令，其他大量動態編程算法均可在 NVIDIA H100 GPU 上實現加速。量子計算領域前景廣闊。在量子計算中，量子模擬的張量優化算法會使用動態編程。DPX 指令可以幫助開發者加快識別正確張量縮并順序的過程。

    SQL 查詢優化

    另一個潛在應用領域是數據科學。使用 SQL 編程語言的數據科學家通常需要在一組表上執行多次“合并”運算。動態編程有助于找到這些合并的最佳順序，這通常可以節省大量執行時間，從而加快 SQL 查詢速度。