使用 NVIDIA cuPhoton 运行 GPU 驱动的黑洞干涉测量

蓝旅人AI 前沿📡 BestBlogs·AI高分精选⭐ 892026-11-14518 阅读💛 8 收藏
使用 NVIDIA cuPhoton 运行 GPU 驱动的黑洞干涉测量

📌 One-Sentence Summary

本文介绍了 NVIDIA cuPhoton.xBeam,这是一款用于黑洞干涉测量的 GPU 加速 FX 相关器,可在 70 秒内处理 10 TB 数据集,速度比 CPU 快 460x,从而为 EHT 成像工作流快速生成可见度数据。

📝 Summary

NVIDIA cuPhoton.xBeam 是一款基于 GPU 的 FX 相关器,专为黑洞成像中的甚长基线干涉测量(VLBI)设计。事件视界望远镜(EHT)利用分布于全球的射电望远镜捕获毫米波和亚毫米波信号,再由 xBeam 处理:读取 VDIF 记录、进行延迟和条纹校正、通过 FFT 进行信道化、计算台站对之间的互相关,并输出可见度数据。在搭载 64 块 GPU 和 GPUDirect Storage 的 NVIDIA Vera Rubin NVL72 系统上,xBeam 处理 10 TB 数据集仅需 70 秒,而 x86 CPU 则耗时 31,992 秒,速度提升 460x。该系统通过将扫描任务拆分到多块 GPU 上并合并结果实现扩展;读取带宽也从 4 块 GPU 时的 20 GB/s 提升至 64 块 GPU 时的 170 GB/s。该工具包可与 HOPS 和 eht-imaging 等下游校准及成像工具集成,并支持通过 AI 智能体自动化端到端科学工作流。

💡 Main Points

cuPhoton.xBeam 是一款用于 VLBI 的 GPU 加速 FX 相关器,可在 70 秒内处理 10 TB 数据集,速度比 CPU 基准快 460x。

xBeam 运行于配备 64 块 GPU 和 GPUDirect Storage 的 NVIDIA Vera Rubin NVL72 系统上,通过完全在 GPU 上执行数据读取、延迟校正、信道化、互相关计算和可见度输出,大幅提升处理速度;读取带宽从 4 块 GPU 时的 20 GB/s 扩展至 64 块 GPU 时的 170 GB/s。

xBeam 通过五个 GPU 阶段处理干涉测量数据:数据读取、延迟和条纹校正、信道化、互相关计算以及可见度输出。

该系统读取 VDIF 帧,构建 .vdix 索引文件以实现快速随机访问,进行几何延迟和时钟延迟校正,通过 FFT 进行信道化,计算台站对之间的互相关以生成复数可见度,并以 SWIN 或 xbeam-v1 格式输出,供下游校准和成像使用。

xBeam 通过按时间拆分扫描任务并合并部分 SWIN 输出,在多块 GPU 和多个节点间扩展。

在单节点上,--devices 会为每块 GPU 启动相关器进程;跨节点时,--shard-count 和 --shard-index 用于分配时间片段。merge-shards 会在验证任务一致性、时间覆盖范围和头信息一致后合并结果。

cuPhoton 工具包通过 xDataReader、xScan、xPois、xFit 和 xRay 等模块,将 GPU 加速扩展至光学成像、X 射线实验和材料科学。

这些模块在不同科学领域采用相同的 GPU 优先模式进行数据加载、分析和模拟,从数据读取到结果产出,构建端到端的加速工作流。

AI 智能体可以自动化干涉测量工作流,包括解析 VDIF 元数据、生成任务规格、执行相关计算并监控结果。

这使自主科学工作流成为可能:智能体可以在无需人工干预的情况下,协调数据读取、配置、GPU 并行执行和可见度提取。

💬 Key Quotes

「在兼容模式下,xBeam 运行于搭载 64 块 GPU 和 GPUDirect Storage(GDS)的 NVIDIA Vera Rubin NVL72 系统上,仅用 70 秒就处理完了一个 10 TB 数据集——速度约为 x86 CPU 基准的 460x;该基准耗时 31,992 秒(8.89 小时)。」

「cuPhoton.xBeam 是 cuPhoton 工具包中的 FX 相关器。它会重构记录数据,使其能够并行读取;还会构建 .vdix 索引,让后续读取可以直接跳转到每一帧,并将电压数据加载到 GPU 内存中。」

「借助 GPUDirect Storage,同一份 10 TB 记录数据的读取带宽会随着 GPU 数量增加而提升:从 4 块 GPU 时的 20 GB/s 增至 64 块 GPU 时的 170 GB/s。」

「xBeam 通过将扫描任务按时间拆分到多块 GPU 上实现扩展。每块 GPU 都会对自己负责的时间段进行相关计算……在多个节点上,每块 GPU 执行一个称为 shard 的任务片段,merge-shards 则负责合并 SWIN 输出。」

📊 Article Meta

AI Screening: 89

Source: NVIDIA Technical Blog

Author: Akhilesh Mishra

Category: 人工智能

Language: 英文

Read Time: 10 min

Word Count: 2321

Tags:

编程与工程 , AI 硬件与芯片 , 性能优化 , AI 工程 , NVIDIA

#编程与工程# AI 硬件与芯片# 性能优化# AI 工程# NVIDIA

文章评论(12)

雪影1 天前

整理得太全面了,省了我不少时间。

回复
漾漾其华1 天前

实测过类似工具,作者说的基本属实。

回复
月沐雨1 天前

这个比较实用,已转发给同事。

回复
林拾贝1 天前

内容翔实,正好需要,先收藏再看。

回复
邱文博1 天前

作者写得真不错,学到了不少。

回复
竹听风1 天前

赞同,实践出真知。

回复
空向阳1 天前

这个观点很中肯,深有同感。

回复
逐光而行1 天前

写得挺用心的,支持一下。

回复
松听风1 天前

看标题就点进来了,内容果然没让人失望。

回复
武磊1 天前

支持作者,持续关注中。

回复
林观澜1 天前

支持作者,持续关注中。

回复
星寻梦1 天前

支持作者,持续关注中。

回复