GPU do obliczeń naukowych i symulacji
Kody symulacyjne, takie jak dynamika molekularna, obliczeniowa mechanika płynów, prognozowanie pogody czy chemia kwantowa, są często ograniczone przepustowością pamięci, a wiele z nich także arytmetyką podwójnej precyzji (FP64). GPU do centrów danych z pamięcią HBM są zaprojektowane do obu.
GPU pasujące do zastosowania: obliczenia naukowe
Przesuń w bok, aby zobaczyć wszystkie kolumny.
| GPU | Pamięć | Typ pamięci | Przepustowość | Interconnect | Cena/h |
|---|---|---|---|---|---|
| Tesla V100Volta | 32 GB | HBM2 | 900 GB/s | Nie opublikowano | od 0,10 USD |
| A100 PCIeAmpere | 80 GB | HBM2e | 1935 GB/s | NVLink bridge (600 GB/s) · PCIe 4.0 | od 1,79 USD |
| A100 SXMAmpere | 80 GB | HBM2e | 2039 GB/s | NVLink 3 (600 GB/s) · PCIe 4.0 | od 1,79 USD |
| H100 PCIeHopper | 80 GB | HBM2e | 2000 GB/s | NVLink bridge (600 GB/s) · PCIe 5.0 | od 2,89 USD |
| H100 SXMHopper | 80 GB | HBM3 | 3350 GB/s | NVLink 4 (900 GB/s) · PCIe 5.0 | od 2,88 USD |
| GH200Grace Hopper | 96 GB | HBM3 | 4000 GB/s | NVLink-C2C (900 GB/s) | od 6,81 USD |
| H200Hopper | 141 GB | HBM3e | 4800 GB/s | NVLink 4 (900 GB/s) · PCIe 5.0 | od 4,19 USD |
| MI300XCDNA 3 | 192 GB | HBM3 | 5300 GB/s | AMD Infinity Fabric (128 GB/s per link) · PCIe 5.0 | od 4,16 USD |
| MI325XCDNA 3 | 256 GB | HBM3e | 6000 GB/s | AMD Infinity Fabric (128 GB/s per link) · PCIe 5.0 | od 4,82 USD |
Specyfikacje producenta, na jedno GPU; wydajność tensorowa bez rzadkości. Rozmiary modeli to ostrożne szacunki w miliardach parametrów, przy założeniu 80% pamięci; długość kontekstu, rozmiar partii i framework zmieniają rzeczywisty limit. Ceny to najlepsza oferta na żywo za jedno GPU na godzinę, bez podatku.
Wszystkie modele GPUCo się liczy w zastosowaniu: obliczenia naukowe
Podwójna precyzja
Wiele solverów wymaga FP64. GPU do centrów danych, takie jak V100, A100, H100 i AMD Instinct, wykonują FP64 z wysoką wydajnością, podczas gdy karty GeForce i większość kart do stacji roboczych osiąga ułamek swojej wydajności FP32. Sprawdź swój kod: niektóre pakiety działają głównie w pojedynczej lub mieszanej precyzji.
Przepustowość pamięci
Kody stencilowe, rzadka algebra liniowa i metody cząstkowe przesyłają więcej danych, niż obliczają. Pamięć HBM, od około 0,9 TB/s w V100 do ponad 4 TB/s w H200 i MI300X, sprawia, że te kody działają szybko.
Skalowanie na wiele GPU
Dekompozycja dziedziny dzieli symulację między GPU, które na każdym kroku wymieniają dane brzegowe. NVLink lub Infinity Fabric między GPU zapobiegają temu, by ta wymiana stała się wąskim gardłem.
Porównaj GPU do zastosowania: obliczenia naukowe
GPU do obliczeń naukowych i symulacji: najczęstsze pytania
Dlaczego nie pokazujemy wartości FP64?
Ta witryna pokazuje tylko wartości opublikowane dla każdego konkretnego modelu w porównywalnej formie. Wydajność FP64 różni się między wersjami płyt (SXM, PCIe), więc sprawdź kartę katalogową producenta dla płyty, którą zamierzasz wynająć.
Które GPU do dynamiki molekularnej?
Pakiety takie jak GROMACS, AMBER i NAMD działają głównie w pojedynczej lub mieszanej precyzji i dobrze sprawdzają się na wielu GPU, w tym kartach do stacji roboczych; kody wymagające FP64 w całości lepiej obsłużą GPU A100, H100 lub MI300X.
Czy mój kod działa na GPU AMD?
GPU AMD Instinct uruchamiają kod napisany dla ROCm i HIP; wiele pakietów HPC udostępnia wersje ROCm. Kod napisany wyłącznie dla CUDA wymaga przeniesienia, często za pomocą narzędzi HIPIFY, zanim zadziała na AMD.
Jak wynająć GPU do zastosowania „obliczenia naukowe” w EverXCloud?
Załóż konto, doładuj saldo przedpłacone w euro, dolarach amerykańskich lub funtach, a następnie kup godziny GPU na giełdzie spot po najlepszej ofercie lub złóż zlecenie po cenie, jaką chcesz zapłacić. Wynajem jest rozliczany godzinowo. Ceny podajemy bez podatku, a EverXCloud jest sprzedawcą (merchant of record) każdego wynajmu.
Bądź gotów w dniu startu
Załóż konto już teraz: doładujesz saldo i wynajmiesz GPU pasujące do Twojego zastosowania, gdy tylko rynek zostanie otwarty.
Masz serwery GPU?
Firmy mogą dołączyć do EverXCloud Network i sprzedawać godziny swoich serwerów GPU na giełdzie spot.
Inne zastosowania
- GPU do treningu dużych modeli językowych
Pre-trening i pełny fine-tuning na GPU do centrów danych z pamięcią HBM.
- GPU do fine-tuningu otwartych modeli
Adaptery LoRA i QLoRA na jednym GPU, od 24 GB.
- GPU do inferencji LLM
Serwuj otwarte modele: co mieści się w pamięci i jak szybko pojawiają się tokeny.
- GPU do generowania obrazów i wideo
Modele dyfuzyjne do obrazów i wideo, od kart 24 GB po GPU 80 GB.
- GPU do renderingu 3D i efektów wizualnych
Rendering z ray tracingiem, efekty wizualne i silniki czasu rzeczywistego.