借助 NVIDIA cuOpt 中的 mPDLP 将决策优化扩展至 1 亿变量及以上

📌 One-Sentence Summary

NVIDIA 推出 mPDLP，这是一种多 GPU 线性规划求解器，利用最小割图分区和 NVLink 技术，为大规模优化问题实现了高达 10 倍的加速并显著降低了内存占用。

📝 Summary

文章详细介绍了 NVIDIA cuOpt 推出的新 Multi-GPU Primal-Dual hybrid gradient for Linear Programming (mPDLP) 求解器。针对单 GPU 求解器在处理大规模 LP 问题（如供应链和能源电网）时的局限性，mPDLP 通过 NVLink 连接的 GPU 分布计算负载。其核心创新在于基于最小割的图分区策略，通过利用约束矩阵中的稀疏模式来最小化通信开销，这与之前的 2D 分区方法不同。在超过 100 个实例上的基准测试显示，对于非零元素超过 1000 万的问题，该求解器可实现显著加速，每 GPU 峰值内存使用量降低多达 6 倍。与 Kinaxis 和 PSR 等合作伙伴的实际应用展示了其实际效益，分别实现了 3.3 倍和 5 倍以上的加速。未来的改进重点在于负载感知分区和隐藏通信延迟。

💡 Main Points

最小割分区减少通信开销

与之前采用 2D 分区的 D-PDLP 实现不同，mPDLP 使用基于约束矩阵稀疏模式的最小割图分区。这种策略将紧密连接的依赖项保留在同一 GPU 上，从而最大限度地减少了稀疏矩阵向量乘法 (SpMV) 过程中的跨 GPU 数据传输。

大规模问题获得显著性能提升

基准测试表明，mPDLP 实现了显著的加速（例如，在 zib03 问题上，求解速度比前一年快高达 10 倍），并且对于非零元素超过 10^7 的问题，每 GPU 峰值内存使用量降低多达 6 倍。加速效果与问题规模密切相关，因为当问题足够大时，通信开销相对于计算时间变得微不足道。

通过行业合作伙伴进行现实世界验证

Kinaxis 在使用 H100 GPU 处理包含 1.35 亿变量的消费品 (CPG) 供应链模型时，实现了 3.3 倍的加速。PSR 在使用 B200 GPU 处理包含 1.85 亿变量的随机能源扩张模型时，展示了超过 5 倍的加速，证明了该求解器在复杂规划场景中的实用性。

💬 Key Quotes

「cuOpt 现在正通过 mPDLP 在多个 GPU 上解决问题，将极限推向更远，实现了比一年前快近 10 倍的求解速度。」

「与单 GPU PDLP 相比（LP 问题限制在 21 亿非零元素以内），每 GPU 峰值内存使用量降低多达 6 倍」

「只有当问题规模足够大，使得通信开销相对于计算时间可以忽略不计时，Multi-GPU PDLP 才能提供加速效果。」

📊 Article Meta

AI Screening： 88

Source： NVIDIA Technical Blog

Author： Tanya Lenz

Category： 软件编程

Language： 英文

Read Time： 9 min

Word Count： 2243

Tags：

编程与工程 , 性能优化 , 供应链管理 , AI 硬件与芯片 , AI安全事件