GPU computing

5 items

RESEARCHarXiv CS.AI·vor 1T

Accelerated Fourier SAT (AFSAT): Fully Realising a GPU-based Symmetric Pseudo-Boolean SAT Solver

Accelerated Fourier SAT (AFSAT) ist ein GPU-beschleunigter Solver für die pseudo-boolesche Erfüllbarkeit, der auf kontinuierlicher lokaler Suche basiert. Er verbessert die numerische Stabilität, Laufzeitleistung und Speichereffizienz im Vergleich zum Proof-of-Concept erheblich, indem er JAX für parallele Verarbeitung nutzt und Speicher-/Gleitkomma-Einschränkungen behebt.

SAT solver Computational logic GPU computing Optimization

ARTICLE↑ trendingHacker News (AI)·vor 1T

"AI is someone else's GPU"

Der Artikel argumentiert, dass moderne KI, insbesondere große Modelle, grundlegend von teurer, zentralisierter GPU-Infrastruktur abhängt, was sie zu „jemandes anderer GPU“ statt lokaler Rechenleistung macht. Er kritisiert diese Zentralisierung und hebt Bedenken hinsichtlich Kontrolle, Kosten und Umweltauswirkungen hervor.

GPU computing Cloud AI Centralization AI infrastructure

ARTICLEDEV.to AI·4/23/2026

Building a Bit-Accurate Fused QKV + RoPE Kernel for Qwen 2.5 in Triton

Dieser Artikel beschreibt die Erstellung eines bitgenauen Triton-Kernels für Qwen 2.5, der QKV-Projektion, RoPE und KV-Cache-Schreiben in einem einzigen Vorgang zusammenführt. Er erzielt eine 4,5- bis 5-fache Beschleunigung gegenüber mehreren PyTorch-Operationen, während die exakte Ausgabegenauigkeit erhalten bleibt.

GPU computing Transformer AI optimization Triton

RESEARCHarXiv CS.LG·5/5/2026

Fast Log-Domain Sinkhorn Optimal Transport with Warp-Level GPU Reductions

Dieses Papier stellt FastSinkhorn vor, eine native CUDA-Implementierung des Log-Domain-Sinkhorn-Algorithmus, die schnellere und stabilere Lösungen für optimale Transportprobleme (OT) liefert. Es erreicht eine 12-fache Beschleunigung gegenüber der POT-Bibliothek und eine 5,9-fache Beschleunigung gegenüber GPU-beschleunigten PyTorch-Baselines, während die numerische Stabilität für kleine Regularisierungsparameter erhalten bleibt.

GPU computing deep learning Sinkhorn Algorithm Numerical Stability

DOCDEV.to AI·4/18/2026

Running AI Models on GPU Cloud Servers: A Beginner Guide

Dieser Leitfaden erklärt, wie der Betrieb von KI-Modellen auf GPU-Cloud-Servern Trainings- und Inferenzaufgaben erheblich beschleunigen kann. Er behandelt die Serverauswahl und Modellbereitstellung und erläutert, warum GPUs für die für Deep Learning benötigten parallelen Berechnungen CPUs überlegen sind.

GPU computing AI models tutorials deep learning