计算化学公社

标题: 英伟达新动向对于计算化学GPU采购的影响 [打印本页]

作者
Author: ShiyuWang781 时间: 2025-4-23 14:50
标题: 英伟达新动向对于计算化学GPU采购的影响
本帖最后由 ShiyuWang781 于 2025-4-23 15:29 编辑

在CTC2025上，NVIDIA发布了硅光交换机，这是继NVlink之后英伟达在GPU互联上的又一重大技术。该技术的发布也预示着未来的计算单元会从GPU到整个服务器甚至到整个数据中心。这对于整合与统一调配计算资源有着重大意义。但是对于资金不足以购买多GPU的普通的计算化学课题组来说，在仅购买单GPU的情况下无法发挥GPU互联的优势。这是否意味着在未来计算化学课题组选择租用数据中心的算力会比自行购买GPU更加具有时间与资金上的经济性。

作者
Author: atominerva 时间: 2025-4-23 16:38
怎么也得有个本地调试环境吧
并且我个人感觉现在化学、材料类的GPU上限就是八卡

作者
Author: Graphite 时间: 2025-4-23 16:45
这个还得看算力商最后提供的服务是啥，能不能一键拉起多个节点并充分利用
不过我也基本没见过超过8卡的应用性计算文章，而且往往瓶颈还不在绝对算力上

作者
Author: David_R 时间: 2025-4-23 18:29
我的理解是，用于连接多个 GPU 的 NVLink 技术主要对 AI 应用有用，它可以扩展系统的总显存，以便加载大型语言模型（LLM），并利用多张显卡进行模型的微调和训练（即使没有 NVLink，多卡推理也可以很高效）。

我可能对所有基于 GPU 的计算化学工作没有全面的了解，但根据我的经验，单张显卡（16-32 GB）的显存对于大多数计算来说并不构成瓶颈。GPU 在科学计算应用中的性能表现更像是视频游戏：使用多于一张显卡对单个计算任务带来的性能提升甚微（这一点在早期的 SLI 和 Crossfire 技术时代也基本如此）。事实上，举个例子，通过在单张显卡上同时运行多个分子动力学（MD）模拟，反而可以获得更高的效率。即使是对于使用 CUDA 在相对较小的神经网络上进行深度学习，情况也是如此。这意味着，据我所知，连接多个 GPU 对于科学计算领域来说，目前的关联性还不是特别大。在不同的独立显卡上分别运行多个模拟是完全可行的。

尽管如此，目前整个 GPU 市场状况颇为麻烦。以合理的价格获取此类技术变得相当困难。

作者
Author: JianyuC 时间: 2025-4-24 12:09
坐等大船靠岸就好了，不必多虑

欢迎光临计算化学公社 (http://bbs.keinsci.com/)