NVIDIA CUDA için orijinal olarak tasarlanmış bir hesaplama programı, çekirdek kodunda neredeyse hiçbir değişiklik yapılmadan, M3 Pro ile donatılmış bir Apple cihazında çalıştı.
Bu, X kullanıcıları @Abhinav tarafından dün duyurulan bir ilerlemedir. Daha da şaşırtıcı olanı, bu basit bir “vektör toplama, çıkarma, çarpma ve bölme” gösterisi değil, gerçek bir üç boyutlu akışkan simülasyon görevinde yaklaşık 10 katlık bir hız artışı sağlamasıdır.
Bu olayın arkasında özel bir katılımcı var — GPT-5.6 Sol.
Olay, açık kaynaklı bilimsel hesaplama platformu OpenFPM'de gerçekleşti. Araştırmacılar, CUDA/HIP GPU'lar için tasarlanan yüksek performanslı hesaplama programlarının, platform engellerini aşarak Apple'ın kendi Metal GPU mimarisinde çalıştırılması gibi birçok kişinin "mümkün olmayan" bir şeyi yapıyorlardı.
Neden bu kadar zor? Geçtiğimiz on yıllar boyunca GPU hesaplama alanı yüksek derecede parçalanmıştı—NVIDIA'nın CUDA'sı, AMD'nin HIP'si, Apple'ın Metal'i vardı. Bu ekosistemler farklı diller gibi birbirleriyle uyumsuzdu. CUDA ile yazılmış bir program, genellikle diğer platformlarda çalıştırılmadan önce büyük ölçüde yeniden yazılması gerekirdi.
Ancak bu sefer geliştiriciler, Metal sürümünü yeniden yazmak yerine bir dönüşüm kanalı kurdu: program önce Clang/HIP ile işleniyor, ardından SPIR-V, Vulkan ve MoltenVK gibi ara katmanlar aracılığıyla sonunda Apple Metal GPU'nun anlayabileceği ve verimli bir şekilde çalıştırabileceği forma getiriliyor.
Daha önemlisi, Metal'e özel herhangi bir partikül API'si eklenmedi. Uygulama katmanı, gerçek donanım şeffaflığını sağlayan mevcut CUDA/HIP tarzı kernel çağrılarını korumaktadır.
Bu süreçte GPT-5.6 Sol kritik bir rol oynadı. Cihaz üzerindeki bellek düzenini oluşturmakta yardımcı oldu, MoltenVK ve SPIR-V'teki uyumluluk sorunlarını yaklaşık 6 saatte tespit etti ve ilgili çözümler tasarladı.
Proje bağlantısı: https://github.com/mosaic-group/openfpm/pull/18
Bu işin gerçek testi, karmaşık bir test senaryosu olan üç boyutlu SPH baraj kırılması simülasyonudur. Bu görev, tarama, sıralama ve yeniden düzenleme, hücre ve komşu liste oluşturma, ghost parçacık değişimi, indirgeme işlemleri ve atomik işlemler gibi birçok karmaşık modülü aynı anda işlemeyi gerektirir; bu modüllerden herhangi birinde sorun yaşanırsa, performans düşer veya fiziksel sonuçlar sapma gösterir.
Ancak test sonuçları beklenenin dışına çıktı. M3 Pro çipine sahip Apple cihazlarda Metal GPU ile yaklaşık 6 saniyede tamamlandı; CPU ile sıralı hesaplama ise yaklaşık 60 saniyede tamamlandı. Yani aynı programda, yalnızca hesaplama donanımı değiştirilerek yaklaşık 10 kat hız artışı elde edildi ve GPU kullanımı %100'e yakındı (bu da dönüşüm verimliliğinin yüksek olduğunu gösterir).
Daha önemlisi, hız artışı doğruluk kaybıyla elde edilmedi. Geliştiriciler, simülasyon sonuçlarını daha da inceledi ve Apple GPU sürümünün ve orijinal hesaplama sürümünün fiziksel sonuçlarının, kritik parametrelerin ve simülasyon yörüngelerinin yüksek oranda uyumlu olduğunu gördü. Bu, Apple GPU'nun sadece çalıştığını değil, aynı zamanda bilimsel hesaplama görevlerini gerçekten tamamladığını gösteriyor.
Geliştiriciler, parçacık depolamanın parçacık sayısı N ile doğrusal olarak arttığını ve komşu arama gibi iş yüklerinin yaklaşık olarak O(N·k) (k, sabit yoğunluk altındaki komşu sayısı) olduğunu belirtti. Şu anda gösterilen 10 katlık hızlanma, tek makine arka ucunun karşılaştırılması sonucudur. Gelecekte, Apple Thunderbolt desteğiyle sağlanan RDMA teknolojisi sayesinde, simülasyonun birden fazla cihazda ölçeklendirilmesini sağlayan çoklu makine dinamik yük dengelemesi mümkün olacaktır.
Elbette, bu atılım GPU endüstrisini tamamen değiştirmek için hâlâ uzak bir mesafede. Şu anda Apple Metal GPU'nun en büyük kısıtlamalarından biri, yüksek hassasiyetli kayan noktalı hesaplamalara yetersiz destek sağlamasıdır ve birçok profesyonel bilimsel hesaplama alanı çift hassasiyetli işlemlere bağımlıdır. Bu nedenle, hava tahmini, havacılık ve uzay simülasyonları gibi süperhesaplama senaryolarında NVIDIA profesyonel GPU'ları hâlâ üstünlük sağlıyor.
Ancak bazıları bu araştırmanın anlamını sorguluyor; bir internet kullanıcısı şöyle diyor: “Piyasada Mac üzerinde bu tür küçük simülasyonları çalıştırmak için çok daha uygun sistemler var, bunun ne gibi bir faydası var?” Bu ifadeyle, MacBook’un GPU’su ne kadar hızlı olursa olsun, bilimsel hesaplamalar için tasarlanmamıştır ve bu durum daha çok bir gösteri gibi görünmektedir.
Geliştiricinin yanıtı oldukça açık: “En büyük faydası, eğlenceli olması ve işleri kolaylaştırmak.” Ekibin büyük simülasyonları zaten kümelerde çalıştırılıyor; bu sefer Apple mimarisinde çalıştırabilmesi, cihaz soyutlama katmanının tasarımının doğru olduğunu doğruladı. Daha pratik bir neden ise günlük geliştirme sürecinde gizli: Büyük simülasyonlardan önce her zaman küçük simülasyonlarla hata ayıklama yapılır; ancak CPU üzerinden yerel hata ayıklama çok yavaştır. Simülasyon sonuçları genellikle birkaç GB boyutunda olur, SSH ile geri getirilemez ve uzak masaüstü çözümleri ağır ve kullanışsızdır; bu yüzden yerel olarak çalıştırmak daha iyidir. En harika nokta ise, dizüstü bilgisayarda hata ayıklanan kodun, GPU kümesine aynen taşındığında otomatik olarak ölçeklenebilir olmasıdır.
Bu araştırmayı, aynı CUDA/HIP tarzı algoritmaların, Apple Silicon gibi farklı donanım arka planlarında nispeten şeffaf bir şekilde çalıştırılabileceğini gösterdi. Gelecekte, yazılım geliştiricileri belirli bir GPU ekosistemine bağlı kalmayabilir.
Ayrıca, AI'nın (GPT-5.6 Sol) «kod yazmaya yardımcı olma» aşamasından «alt sistem tasarımına, optimizasyona ve çapraz platform mühendislik hatalarının giderilmesine katılım» aşamasına geçtiğini de göstermektedir.
Apple GPU, bu sefer CUDA çukurunu aşmak sadece bir başlangıç olabilir.
Referans bağlantısı: https://x.com/Abhinavsns/status/2079774018748694696
Bu yazı, WeChat hesabı "Makine Kalbi" (ID: almosthuman2014) tarafından paylaşılmıştır, yazar: Makine Kalbi