cuPyNumeric 能將 Python 程式碼在多種運算平台上執行，包括 CPU 筆電、GPU 加速工作站以及大型超級電腦，讓研究人員即便沒有電腦科學背景，也能快速處理龐大數據集。他們只需使用熟悉的 NumPy 界面，或將 cuPyNumeric 集成到現有程式碼中，便可輕鬆實現更高效能和更廣的擴展性。
這一工具的優勢在於即使程式碼未經修改，也能無縫運行於單一 GPU 或數千個 GPU 節點之間。cuPyNumeric 的最新版本現已在 Conda 和 GitHub 平台提供，具備對 NVIDIA GH200 Grace Hopper 超級晶片的支援，並且引入更先進的記憶體管理功能及運行資源自動配置功能，為大規模數據處理提供更強有力的支持。
來自世界各地的研究機構，例如美國 SLAC 國家加速器實驗室、洛斯阿拉莫斯國家實驗室，以及史丹佛大學湍流研究中心等，已成功將 cuPyNumeric 整合到其工作流程中。這些機構的數據分析效率獲得了顯著提升，推動了從材料科學到天文研究等多領域的進步。
Python 作為資料科學與科學計算的主要編程語言，其核心庫 NumPy 是許多研究工作的基石，但單一 CPU 節點的運行限制了其性能。cuPyNumeric 作為 NumPy 的直接替代元件，消除了這一瓶頸，允許研究人員在多 GPU 系統中擴展運算規模，應對日益增長的數據集複雜性。
例如，SLAC 團隊利用 cuPyNumeric，將半導體材料研究中的數據分析速度提高了六倍，使實驗期間可以同步進行數據處理，從而最大化設施使用效率。澳洲國立大學的研究人員則擴展了 Levenberg-Marquardt 演算法，在多 GPU 系統上運行，為氣候和天氣建模奠定了基礎。
洛斯阿拉莫斯國家實驗室使用 cuPyNumeric 強化了其資料科學與機器學習工作，並進一步發揮其 Venado 超級電腦的潛力；而史丹佛大學湍流研究中心則透過 Python 程式和 cuPyNumeric 開發運算流體動力求解器，實現了大型流體模擬與機器學習技術的整合。
其他應用還包括麻州大學波士頓分校的顯微鏡視頻分析，該校研究團隊運用 cuPyNumeric 處理大規模矩陣運算，大幅縮短運算時間；印度國家支付公司則通過 cuPyNumeric 使其即時支付系統在全球交易監控中，能夠更快地識別潛在的洗錢活動。
點擊閱讀下一則新聞
