cuPyNumeric 能将 Python 程式码在多种运算平台上执行，包括 CPU 笔电、GPU 加速工作站以及大型超级电脑，让研究人员即便没有电脑科学背景，也能快速处理庞大数据集。他们只需使用熟悉的 NumPy 界面，或将 cuPyNumeric 集成到现有程式码中，便可轻松实现更高效能和更广的扩展性。
这一工具的优势在于即使程式码未经修改，也能无缝运行於单一 GPU 或数千个 GPU 节点之间。cuPyNumeric 的最新版本现已在 Conda 和 GitHub 平台提供，具备对 NVIDIA GH200 Grace Hopper 超级晶片的支援，并且引入更先进的记忆体管理功能及运行资源自动配置功能，为大规模数据处理提供更强有力的支持。
来自世界各地的研究机构，例如美国 SLAC 国家加速器实验室、洛斯阿拉莫斯国家实验室，以及史丹佛大学湍流研究中心等，已成功将 cuPyNumeric 整合到其工作流程中。这些机构的数据分析效率获得了显著提升，推动了从材料科学到天文研究等多领域的进步。
Python 作为资料科学与科学计算的主要编程语言，其核心库 NumPy 是许多研究工作的基石，但单一 CPU 节点的运行限制了其性能。cuPyNumeric 作为 NumPy 的直接替代元件，消除了这一瓶颈，允许研究人员在多 GPU 系统中扩展运算规模，应对日益增长的数据集复杂性。
例如，SLAC 团队利用 cuPyNumeric，将半导体材料研究中的数据分析速度提高了六倍，使实验期间可以同步进行数据处理，从而最大化设施使用效率。澳洲国立大学的研究人员则扩展了 Levenberg-Marquardt 演算法，在多 GPU 系统上运行，为气候和天气建模奠定了基础。
洛斯阿拉莫斯国家实验室使用 cuPyNumeric 强化了其资料科学与机器学习工作，并进一步发挥其 Venado 超级电脑的潜力；而史丹佛大学湍流研究中心则透过 Python 程式和 cuPyNumeric 开发运算流体动力求解器，实现了大型流体模拟与机器学习技术的整合。
其他应用还包括麻州大学波士顿分校的显微镜视频分析，该校研究团队运用 cuPyNumeric 处理大规模矩阵运算，大幅缩短运算时间；印度国家支付公司则通过 cuPyNumeric 使其即时支付系统在全球交易监控中，能够更快地识别潜在的洗钱活动。
點擊閱讀下一則新聞
