Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Aocl 60 optimizirovannyy dlya protsessorov amd epyc
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

AOCL 6.0, оптимизированный для процессоров AMD EPYC

Источник: AMD•20 ноября 2026 г. в 00:03

AOCL 6.0, оптимизированный для процессоров AMD EPYC

Узнайте, как AOCL 6.0.0 оптимизирует процессоры AMD EPYC™ 6-го поколения.

Введение

Компания AMD недавно объявила о выходе на рынок серверных процессоров AMD EPYC™ 6-го поколения (кодовое название «Venice»), построенных на новой архитектуре «Zen 6». Новый процессор эффективен лишь настолько, насколько эффективно работающее на нем программное обеспечение, поэтому в AOCL 6.0.0 мы настроили наши библиотеки для этих процессоров, чтобы ваши приложения могли более эффективно использовать аппаратное обеспечение.

Библиотеки AMD Optimizing CPU Libraries (AOCL) 6.0.0 включают оптимизации для Venice в области численных вычислений, операций с памятью, вывода ИИ, анализа данных, сжатия и инфраструктуры выполнения. В этой статье мы расскажем, где именно эти изменения привели к заметным результатам в ходе раннего тестирования.

Ниже представлен краткий обзор основных улучшений в области вывода ИИ, математических библиотек, операций с памятью и анализа данных. Прирост производительности зависит от рабочей нагрузки, и мы подробнее рассмотрим каждую область в следующих разделах.

Раннее тестирование показывает следующие улучшения по сравнению с AOCL 5.3:

  • Увеличение производительности INT8 GEMM на ядро до 1,84 раза для вывода ИИ
  • Повышение производительности до 1,5 раз для отдельных математических функций
  • Примерно 15% улучшения в операциях, интенсивно использующих память
  • Примерно 1,3-кратное увеличение производительности аналитики на ядро
  • Ускорение до 4 раз для отдельных рабочих нагрузок аналитики ближайших соседей

Если не указано иное, улучшения в этой статье сравнивают AOCL 6.0.0 с предыдущим выпуском, AOCL 5.3, с использованием репрезентативных рабочих нагрузок и конфигураций тестов.

Поддержка Venice в AOCL 6.0.0

В AOCL 6.0.0 мы добавили оптимизации для Venice в отдельные подпрограммы и рабочие нагрузки, и планируем расширить их в будущих выпусках.

Производительность зависит от того, насколько эффективно программное обеспечение использует ядра, кэш-память, пропускную способность памяти и векторные блоки. Для этого выпуска мы сосредоточились на областях, где наше тестирование показало наибольший потенциал для улучшения: вывод ИИ, численные вычисления, операции с интенсивным использованием памяти и анализ данных.

По мере сбора новых шаблонов рабочих нагрузок и данных тестирования мы будем расширять оптимизации для Venice на другие библиотеки.

Вывод ИИ (AOCL-DLP)

Все больше рекомендательных систем, конвейеров поиска, моделей ранжирования и корпоративных ИИ-сервисов выполняют вывод на процессорах. AOCL-DLP предоставляет оптимизированные примитивы вычислений низкой точности для этих рабочих нагрузок.

В AOCL 6.0.0 библиотека AOCL-DLP улучшает отдельные пути вычислений INT8 и FP16 на Venice, с дальнейшими оптимизациями, запланированными для будущих выпусков.

Вот как выглядит сравнение ускорения INT8 GEMM на ядро по сравнению с серверными процессорами AMD EPYC™ 5-го поколения (кодовое название «Turin»):

Конфигурация

Ускорение INT8 GEMM (на ядро)

Только оборудование Venice

1,4x–1,7x

Venice с оптимизациями AOCL 6.0.0

1,6x–1,84x

Программные оптимизации AOCL добавляют еще 12% к приросту производительности оборудования на каждое ядро. Результатом является более высокая пропускная способность вывода при сохранении модели развертывания, которую уже предлагают процессоры.

Операции с памятью (AOCL-LibMem)

Многие приложения тратят столько же времени на перемещение данных, сколько и на вычисления. Базы данных, аналитические платформы, ИИ-фреймворки, системы хранения данных и облачные сервисы полагаются на быстрые операции с памятью.

AOCL-LibMem 6.0.0 улучшает ключевые операции с памятью и добавляет настройку для процессоров AMD EPYC Venice. Тестирование также включало рабочие нагрузки из DCPerf, набора тестов с открытым исходным кодом от Meta. Вот как это выглядит:

Рабочая нагрузка

Улучшение

Геометрическое среднее производительности памяти

~15%

Hot-cache memcpy

До 30%

Операции memset

До 20%

Рабочие нагрузки DCPerf с тензорами

6-7%

Многие приложения активно используют memcpy и memset, поэтому даже такие улучшения могут привести к повышению общей производительности.

HPC и научные вычисления

Рабочие нагрузки HPC сильно зависят от плотной линейной алгебры и математических функций. Библиотека AOCL-BLAS предоставляет ядра плотных матриц, такие как DGEMM, от которых зависят многие из этих приложений.

В AOCL 6.0.0 мы улучшили AOCL-BLAS DGEMM вместе с отдельными математическими подпрограммами, которые часто влияют на общую производительность приложений.

Вот что показало раннее тестирование:

  • Эффективность AOCL-BLAS DGEMM улучшилась с 95,5% до 97,3%
  • Улучшение производительности HPL до 3%
  • Математические подпрограммы обеспечивают среднее повышение производительности в 1,25 раза
  • Ускорение до 1,5 раз для отдельных функций

Существующие приложения могут получить эти преимущества без внесения изменений в исходный код.

Анализ данных (AOCL-DA)

Аналитические рабочие нагрузки обрабатывают большие наборы данных и питают рекомендательные системы и рабочие процессы машинного обучения. Библиотека AOCL Data Analytics (AOCL-DA) предоставляет оптимизированные алгоритмы для этих рабочих нагрузок, а выпуск 6.0.0 добавляет новые API и настройку для Zen 6.

Что нового в AOCL-DA 6.0.0:

  • Новые API для неотрицательной матричной факторизации, ядерного PCA и t-SNE
  • Скалярное квантование для ANN с патчем FAISS для легкого доступа к оптимизированным алгоритмам ANN
  • Патч SciPy для оптимизированной базовой статистики, интерполяции и нелинейных наименьших квадратов
  • Более быстрые линейные модели, SVM, ANN, деревья решений и метрики
  • Кодовые пути, оптимизированные для Zen 6, включая внутреннее использование половинной точности

На системах Venice мы наблюдали повышение производительности на ядро примерно в 1,3 раза, а отдельные рабочие нагрузки ANN выполнялись до 4 раз быстрее. В совокупности эти изменения означают сокращение времени выполнения аналитических задач на больших наборах данных.

Хотите практический пример? Техническая статья AMD «Рабочие нагрузки Scikit с AOCL Data Analytics» показывает, как AOCL-DA может повысить производительность для распространенных конвейеров машинного обучения и аналитики, использующих Scikit-Learn.

Другие изменения в AOCL 6.0.0

В этой статье рассматриваются отдельные изменения, связанные с Venice, но AOCL 6.0.0 включает больше: обновления в области численных вычислений, ИИ, аналитики, сжатия, оптимизации памяти, генерации случайных чисел и инфраструктуры разработчика.

Новая библиотека: AOCL-OpenRNG

AOCL 6.0.0 представляет AOCL-OpenRNG, новую библиотеку генерации случайных чисел с открытым исходным кодом для моделирования, финансового прогнозирования, научных вычислений, ИИ и аналитических рабочих нагрузок. Она дополняет AOCL-RNG, основана на реализации OpenRNG от Arm и остается совместимой с процессорами Arm. Ее API, совместимые с Vector Statistical Library (VSL), облегчают миграцию для приложений, уже использующих этот интерфейс, а реализация с открытым исходным кодом позволяет интегрировать ее в программное обеспечение с открытым кодом.

AOCL-OpenRNG также включает специфические для AMD улучшения производительности, оптимизации с учетом архитектуры и современную инфраструктуру сборки, и мы разрабатываем ее с учетом отзывов сообщества. Вы можете выбирать между AOCL-RNG и AOCL-OpenRNG в зависимости от ваших требований к развертыванию, переносимости и открытому исходному коду.

Другие библиотеки, получившие обновления в этом выпуске:

  • AOCL-LibM с улучшенной производительностью математических подпрограмм и расширенной поддержкой новых архитектур AMD. AOCL-LibM также используется компилятором AOCC, поэтому эти улучшения переносятся на скомпилированные приложения, включая рабочие нагрузки SPEC CPU® 2026, которые вызывают функции математических библиотек.
  • AOCL-BLAS и LAPACK, обеспечивающие постоянные улучшения для научных вычислений и численных приложений.
  • AOCL-Compression, включая улучшения, обусловленные современными рабочими нагрузками по обработке данных и облачными вычислениями.
  • AOCL-FFTZ с постоянными улучшениями производительности и удобства использования для рабочих нагрузок FFT.

Взгляд в будущее

С выходом AOCL 6.0.0 приложения могут более эффективно использовать серверные процессоры AMD EPYC™ 6-го поколения для задач искусственного интеллекта, научных вычислений, аналитики и корпоративных нагрузок.

Оптимизации учитывают особенности архитектуры, а интерфейсы API остаются привычными, поэтому внедрение не вызывает затруднений.

Мы продолжим добавлять оптимизации с учетом архитектуры по мере развития платформ Venice. В следующих технических блогах мы подробно рассмотрим изменения в отдельных библиотеках, методы оптимизации и результаты для конкретных типов нагрузок в AOCL 6.0.0.

Готовы попробовать? Ознакомьтесь с AOCL 6.0.0 на портале для разработчиков AOCL и следите за подробными материалами от нашей инженерной команды.

← Все статьи

О чём эта статья

Ещё в разделе «Hardware и электроника»

Все →
«Создание будущей экосистемы искусственного интеллекта на основе памяти»: SK hynix представила свое технологическое видение на конференции Supercomputing 2026
SK hynix

«Создание будущей экосистемы искусственного интеллекта на основе памяти»: SK hynix представила свое технологическое видение на конференции Supercomputing 2026

MSI представляет инфраструктуру искусственного интеллекта следующего поколения и решения NVIDIA MGX на выставке SC26
MSI

MSI представляет инфраструктуру искусственного интеллекта следующего поколения и решения NVIDIA MGX на выставке SC26

Nokia поддерживает коридор EMEA-R компании CMC Networks, соединяя ключевые хабы в Европе, на Ближнем Востоке и в Африке
Nokia

Nokia поддерживает коридор EMEA-R компании CMC Networks, соединяя ключевые хабы в Европе, на Ближнем Востоке и в Африке

Генеральный директор Lumentum защищает сделку с Marvell после падения акций: «Нам предстоит поработать» с акционерамиПресса
Marvell

Генеральный директор Lumentum защищает сделку с Marvell после падения акций: «Нам предстоит поработать» с акционерами

Новое устройство Muse Charm от Meta может стоить 300 долларовПресса
Meta

Новое устройство Muse Charm от Meta может стоить 300 долларов

AMD x Unsloth: Запуск первого в мире NPU для Unsloth Desktop
AMD

AMD x Unsloth: Запуск первого в мире NPU для Unsloth Desktop

Ещё от AMD

AMD x Unsloth: Запуск первого в мире NPU для Unsloth Desktop
AMD

AMD x Unsloth: Запуск первого в мире NPU для Unsloth Desktop

Создание классического фундамента для отказоустойчивых квантовых вычислений
AMD

Создание классического фундамента для отказоустойчивых квантовых вычислений

Ускорение исследований в области квантовой коррекции ошибок с помощью Pelagos и AMD
AMD

Ускорение исследований в области квантовой коррекции ошибок с помощью Pelagos и AMD

AMD внедряет агентный ИИ в суперкомпьютерные вычисления с помощью Open-Source AMD HPC Assistant, дебютирующего на LUMI и Frontier
AMD

AMD внедряет агентный ИИ в суперкомпьютерные вычисления с помощью Open-Source AMD HPC Assistant, дебютирующего на LUMI и Frontier

Больше ИИ. Больше контроля. AMD Instinct MI350P приходит в Windows Server.
AMD

Больше ИИ. Больше контроля. AMD Instinct MI350P приходит в Windows Server.

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ
AMD

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ