एक कंप्यूटिंग प्रोग्राम जो मूल रूप से NVIDIA CUDA के लिए डिज़ाइन किया गया था, लगभग बिना किसी कर्नेल कोड में बदलाव के, M3 Pro वाले एक ऐप्पल डिवाइस पर सीधे चल गया।
यह X के उपयोगकर्ता @Abhinav द्वारा कल घोषित एक प्रगति है। और अधिक आश्चर्यजनक बात यह है कि यह केवल एक साधारण “सदिश जोड़, घटाव, गुणा, भाग” का प्रदर्शन नहीं है, बल्कि वास्तविक त्रिआयामी फ्लूइड सिमुलेशन कार्य में लगभग 10 गुना की गति में वृद्धि प्राप्त की गई है।
इसके पीछे एक विशेष भागीदार है — GPT-5.6 Sol।
यह घटना ओपन सोर्स साइंटिफिक कंप्यूटिंग प्लेटफॉर्म OpenFPM पर हुई। शोधकर्ता एक ऐसी चीज कर रहे थे जिसे बहुत से लोग "असंभव" मानते थे: CUDA/HIP GPU के लिए डिज़ाइन किए गए हाई-परफॉर्मेंस कंप्यूटिंग प्रोग्राम को प्लेटफॉर्म की बाधाओं को पार करके ऐपल के स्वयं के Metal GPU आर्किटेक्चर पर चलाना।
यह क्यों कठिन है? पिछले दशकों में, GPU कॉम्प्यूटिंग क्षेत्र अत्यधिक विखंडित रहा है — NVIDIA के पास CUDA है, AMD के पास HIP है, और Apple के पास Metal है। ये इकोसिस्टम अलग-अलग भाषाओं की तरह हैं, जो एक-दूसरे के साथ संगत नहीं हैं। CUDA में लिखा गया एक प्रोग्राम, आमतौर पर अन्य प्लेटफॉर्म पर चलाने के लिए काफी रीव्राइटिंग की आवश्यकता होती है।
लेकिन इस बार, डेवलपर्स ने मेटल संस्करण को फिर से विकसित करने के बजाय एक रूपांतरण पथ बनाया: प्रोग्राम पहले Clang/HIP से होकर गुजरता है, फिर SPIR-V, Vulkan और MoltenVK जैसे मध्यवर्ती स्तरों से होकर, अंततः ऐपल मेटल GPU को समझने और कुशलतापूर्वक निष्पादित करने में सक्षम बनाता है।
इससे भी अधिक महत्वपूर्ण बात यह है कि उन्होंने किसी भी Metal-विशिष्ट पार्टिकल API को जोड़ा नहीं है। एप्लिकेशन स्तर पर CUDA/HIP शैली के kernel कॉल अभी भी बने हुए हैं, जिससे वास्तविक हार्डवेयर पारदर्शिता प्राप्त होती है।
इस प्रक्रिया के दौरान, GPT-5.6 Sol ने महत्वपूर्ण भूमिका निभाई। इसने डिवाइस-स्तरीय मेमोरी लेआउट निर्माण में मदद की, लगभग 6 घंटे में MoltenVK और SPIR-V में संगतता समस्याओं का पता लगाया, और संबंधित कार्यान्वयन डिज़ाइन किए।
प्रोजेक्ट लिंक: https://github.com/mosaic-group/openfpm/pull/18
इस कार्य की वास्तविक परीक्षा एक जटिल परीक्षण मामला है — त्रिआयामी SPH बांध टूटने का सिमुलेशन। इस कार्य को स्कैनिंग, सॉर्टिंग और पुनर्व्यवस्था, सेल और पड़ोसी सूची निर्माण, गोस्ट कण विनिमय, रिडक्शन ऑपरेशन और परमाणु ऑपरेशन जैसे कई जटिल मॉड्यूल को एक साथ संभालना आवश्यक है, और किसी भी चरण में समस्या होने पर प्रदर्शन में कमी या भौतिक परिणाम में विचलन हो सकता है।
लेकिन परिणाम अप्रत्याशित थे। M3 Pro चिप वाले ऐपल उपकरणों पर, Metal GPU का उपयोग करके लगभग 6 सेकंड में पूरा हो गया; CPU के क्रमिक गणना का उपयोग करके लगभग 60 सेकंड में पूरा हो गया। अर्थात, एक ही प्रोग्राम, केवल गणना हार्डवेयर बदलकर, लगभग 10 गुना तेजी प्राप्त की गई, और GPU उपयोग लगभग 100% था (जो बताता है कि रूपांतरण की दक्षता बहुत अच्छी है)।
इससे भी अधिक महत्वपूर्ण बात यह है कि गति में वृद्धि को सटीकता के नुकसान के बिना प्राप्त किया गया है। डेवलपर्स ने सिमुलेशन परिणामों की और जांच की, जिससे पता चला कि ऐपल GPU संस्करण और मूल कॉम्प्यूटेशनल संस्करण द्वारा प्राप्त भौतिक परिणाम समान हैं, जिसमें महत्वपूर्ण पैरामीटर और सिमुलेशन ट्रैजेक्टरी दोनों ही अत्यधिक समान हैं। इसका मतलब है कि ऐपल GPU केवल चल रहा ही नहीं है, बल्कि वह वास्तविक वैज्ञानिक कॉम्प्यूटेशन कार्य पूरा कर रहा है।
डेवलपर्स ने आगे बताया कि कण स्टोरेज कण संख्या N के साथ रैखिक रूप से बढ़ता है, जबकि पड़ोसी खोज जैसे कार्य लगभग O(N・k) होते हैं (जहाँ k निश्चित घनत्व के तहत पड़ोसी कणों की संख्या है)। वर्तमान में प्रदर्शित 10 गुना का त्वरण एकल मशीन बैकएंड की तुलना से प्राप्त हुआ है। भविष्य में, ऐपल Thunderbolt द्वारा समर्थित RDMA प्रौद्योगिकी के साथ, कई मशीनों पर गतिशील लोड संतुलन प्राप्त किया जा सकता है, जिससे सिमुलेशन कई उपकरणों पर विस्तारित हो सकता है।
इस प्रगति से GPU उद्योग को बदलने में अभी दूरी है। वर्तमान में, ऐपल मेटल GPU का एक प्रमुख सीमा उच्च सटीकता वाली तैरती हुई बिंदु गणना के लिए समर्थन की कमी है, जबकि कई पेशेवर वैज्ञानिक गणना क्षेत्र डबल प्रिसिजन ऑपरेशन पर निर्भर करते हैं। इसलिए, मौसम के पूर्वानुमान, एयरोस्पेस सिमुलेशन जैसे सुपरकंप्यूटिंग स्थितियों में, न्वीडिया के पेशेवर GPU अभी भी श्रेष्ठता रखते हैं।
हालांकि, कुछ लोगों ने इस अन्वेषण के अर्थ पर सवाल उठाया है; एक नेटिज़न ने कहा: "बाजार में तो कई अधिक उपयुक्त प्रणालियाँ उपलब्ध हैं, Mac पर ऐसी छोटी सिमुलेशन चलाने का क्या फायदा?" इसका अर्थ है कि MacBook का GPU जितना भी तेज़ हो, वह वैज्ञानिक गणना के लिए बनाया गया नहीं है, और यह कार्य अधिकतर एक प्रदर्शन की तरह लगता है।
डेवलपर के जवाब बहुत सीधे थे: "सबसे बड़ा फायदा यह है कि यह मजेदार है और काम करने में आसान है।" उन्होंने समझाया कि टीम का बड़ा सिमुलेशन पहले से ही क्लस्टर पर चल रहा था, और इस बार एप्पल आर्किटेक्चर पर इसे चलाने में सफलता मिलना, डिवाइस एब्स्ट्रैक्शन लेयर के डिज़ाइन की सही पुष्टि करती है। एक अधिक व्यावहारिक कारण दैनिक डेवलपमेंट में छिपा है — बड़े सिमुलेशन को चलाने से पहले, हमेशा छोटे सिमुलेशन से डीबग करना पड़ता है, और CPU पर स्थानीय डीबगिंग बहुत धीमी होती है; सिमुलेशन के परिणाम आमतौर पर कई GB होते हैं, SSH से उन्हें वापस नहीं भेजा जा सकता, और रिमोट डेस्कटॉप भारी और असुविधाजनक होता है, इसलिए स्थानीय रूप से चलाना बेहतर है। सबसे अद्भुत बात यह है कि जो कोड लैपटॉप पर सफलतापूर्वक डीबग होता है, वही कोड, बिना किसी परिवर्तन के, GPU क्लस्टर पर डाला जाता है, और स्वचालित रूप से स्केल हो जाता है।
इस अन्वेषण ने यह भी साबित किया कि एक ही CUDA/HIP शैली के एल्गोरिदम को Apple Silicon जैसे विभिन्न हार्डवेयर बैकएंड पर अपेक्षाकृत पारदर्शी ढंग से चलाया जा सकता है। भविष्य में, सॉफ्टवेयर डेवलपर्स संभवतः एकल GPU पारिस्थिति से बंधे नहीं रहेंगे।
इसके अलावा, यह दर्शाता है कि AI (GPT-5.6 Sol) 「कोड लिखने में मदद करने」 से 「नींव के सिस्टम डिज़ाइन, अनुकूलन और क्रॉस-प्लेटफॉर्म इंजीनियरिंग डीबगिंग में भाग लेने」 के नए चरण की ओर बढ़ रहा है।
एप्पल GPU इस बार CUDA की खाई पार कर रहा है, जो केवल एक शुरुआत हो सकती है।
संदर्भ लिंक: https://x.com/Abhinavsns/status/2079774018748694696
यह लेख वेचेन ग्रुप "मशीन इंटेलिजेंस" (ID: almosthuman2014) से आया है, लेखक: मशीन इंटेलिजेंस