Az NVIDIA cuPhoton hónapok helyett percek alatt dolgozhatja fel a tudományos képeket

A teljes képfeldolgozási folyamatot GPU-ra helyezi

Az NVIDIA Developer október 7-i bejegyzése szerint a tudományos műszerek, köztük a csillagászati obszervatóriumok, lézerrendszerek és röntgenforrások, olyan ütemben termelnek képadatokat, amelyet a processzoralapú feldolgozási folyamatok nehezen követnek. A szűk keresztmetszet gyakran nem egyetlen lassú művelet, hanem az adat teljes útja a szenzortól a döntésig.

A cuPhoton ezt az útvonalat fedi le GPU-gyorsított építőelemekkel. A folyamat magában foglalhatja a nyers adatok beolvasását, a képek illesztését, a pontszórási függvények egyeztetését, a kivonást, az objektumok illesztését, osztályozását és a riasztást. A csomag fő elemei között szerepel az FITS-fájlok közvetlen betöltésére szolgáló xDataReader, a képillesztést végző xRep, a PSF-egyeztetéshez és kivonáshoz használható xPois, a dipólusillesztést végző xFit, valamint a jelöltek áttekintését segítő xScan.

Az NVIDIA szerint az adatok GPU-n tartása a szenzor beolvasásától az osztályozásig másodperces feldolgozást tesz lehetővé. A vállalat ezt olyan munkafolyamatként írja le, amely interaktív használatot és gyorsabb tudományos visszacsatolást támogathat.

A Rubin Obszervatórium adatmennyisége jól mutatja a kihívást

Az NVIDIA példaként az NSF-DOE Vera C. Rubin Observatory LSSTCam kameráját hozza. A kamera 39 másodpercenként új, 3,2 gigapixeles felvételt készít a déli égboltról. A Prompt Processing feldolgozási rendszernek egy-egy képkockát a megfelelő referenciaképpel összevetve körülbelül 60 és 120 másodperc közötti idő alatt kell feldolgoznia.

Egy felvételen nagyjából 10 000 észlelést kell asztrofizikai tranziens jelenségként vagy műtermékként, például kozmikus sugárzásként, műholdnyomként vagy feldolgozási hibaként azonosítani. Egy teljes éjszaka alatt ez akár 20 terabájt képet és 10 millió jelölt objektumot jelenthet.

A cuPhoton több GPU-n és több csomóponton is skálázható, többek között NVIDIA Grace Blackwell és NVIDIA Vera Rubin rendszereken. Az NVIDIA reprezentatív, több száz terabájtos adathalmazokon végzett mérései szerint a képek betöltése és beolvasása legfeljebb 14 900-szor, a jelöltképzéshez kapcsolódó jelfeldolgozás pedig legfeljebb 14 550-szer gyorsult egy x86-os processzoralaphoz képest.

A közlemény külön kiemeli, hogy ezek az értékek egyedi műveletekre vonatkozó gyorsulások, nem a teljes folyamat végponttól végpontig mért eredményei. Egy korábbi, kilenc hónapig tartó adatelemzést GPU-gyorsított Python használatával négy óra alatt demonstráltak.

Nyílt forráskódú eszköztár CUDA 13 környezethez

A bejegyzés gyakorlati példája kis, szintetikusan létrehozott csillagászati képpáron mutatja be a munkafolyamatot. A rendszer először GPU-memóriába tölti az új expozíciót és a referenciaképet, majd közös égboltrácsra illeszti őket. Ezután összehangolja a pontszórási függvényeket, kivonja a referenciát, végül pedig egy kettős PSF-modellt illeszt a mozgó objektumokhoz kapcsolódó pozitív és negatív pixelpárokhoz.

A felhasználó a folyamat eredményeit is megjelenítheti, például a PSF-egyeztetés kernelét, a kivonás maradványát és a visszanyert dipólust. A csomag az xRay modult is tartalmazza időfüggő röntgendetektoros elemzéshez.

Az NVIDIA szerint a cuPhoton nyílt forráskódú, a 0.1.3-as verzió pedig Python 3.12 és 3.14, valamint CUDA 13 használatát támogatja Linuxon. A kipróbáláshoz a fejlesztők a GitHub-tárház klónozását és a README útmutatójának követését javasolják. Az FITS-bemenethez az xDataReader natív kiterjesztését is fel kell építeni.

A megoldás jelentősége a forrás alapján abban áll, hogy a nagy sebességű tudományos műszerek által létrehozott adatok feldolgozása közelebb kerülhet a műszerek működési üteméhez. A több GPU-s és több csomópontos futtatás a nagyobb adathalmazok kezelését célozza, miközben a kisebb adatoknál a teljes folyamat milliszekundumos vagy akár mikroszekundumos időskálán is végrehajtható.