突破億級變數極限！NVIDIA cuOpt 推出多 GPU 線性規劃求解器 mPDLP
Scaling to 100 Million Variables: NVIDIA cuOpt Introduces mPDLP Multi-GPU LP Solver
為解決超大型線性規劃（LP）帶來的單卡記憶體與運算瓶頸，NVIDIA cuOpt 推出全新 mPDLP 求解器。該技術將 LP 問題分發至由 NVLink 連接的多顆 GPU，並採用「最小割分割」技術，依矩陣稀疏結構減少 GPU 間的通訊開銷。實驗顯示，在超過千萬非零元素的超大問題中，mPDLP 能顯著加速，且單卡峰值記憶體使用量最高可降低 6 倍，協助企業快速完成億級變數的複雜決策優化。
核心重點
多 GPU 分散式架構
透過 NVLink、NVSwitch 與 NCCL，將線性規劃問題分散至多顆 GPU 運算，突破單卡記憶體限制。
最小割圖分割技術
將約束矩陣轉為雙分圖，並在分割時最小化跨 GPU 的邊緣切割，極大地保留資料局部性並減少通訊延遲。
顯著降低記憶體與加速
提供高達 6 倍的單 GPU 峰值記憶體降幅，且在非零元素超過千萬的超大型問題上展現出顯著的加速優勢。
技術圖解
為什麼重要
對於全球供應鏈管理與電網調度等高度複雜的決策場景，決策時間往往有嚴格限制。NVIDIA cuOpt mPDLP 的推出，讓企業能在幾分鐘而非幾小時內，解決包含數億個變數與約束條件的數學規劃模型。這不僅實現了更即時、更大規模的情境模擬與不確定性分析，更將決策優化推向全新的規模極限，促使企業從傳統的粗放式規劃走向精準的即時最佳化。
對誰有影響
- AI 開發者
- AI 研究人員
- 企業決策者
可以怎麼使用
- 1全球供應鏈與生產規劃，例如 Kinaxis 在其 Maestro 平台上優化包含超過 1.35 億個變數的 CPG 供應鏈模型。
- 2大型能源系統容量擴張調度，例如 PSR 在其隨機能源擴張模型中優化 1.85 億個變數。
限制與注意事項
- 當線性規劃問題規模較小（非零元素少於 1000 萬）時，多 GPU 同步與資料傳輸的開銷將超過並行運算的益處，可能導致效能不如單卡。
- 效能高度依賴約束矩陣的稀疏結構。若分割後的邊緣切割比例過高，跨 GPU 通訊將大幅增加，甚至抵消或反轉加速效果。
延伸閱讀
打造過目不忘的 3D 空間記憶：Ledger 如何透過第一人稱影片追蹤隱形物體
Building Persistent 3D Object Memory: How Ledger Tracks Objects from Egocentric Videos
普林斯頓等機構的研究人員提出 Ledger 框架，透過第一人稱視角影片為具身智慧助理建立持久的 3D 物體記憶，大幅提升空間定位與問答的準確度。
探索與優化解耦：全新強化學習框架 ExpDis 提升大語言模型的推理多元性
Decoupling Exploration from Optimization: How ExpDis Boosts LLM Reasoning and Solution Diversity
本研究提出 ExpDis 框架，將強化學習中的「探索」與「優化」解耦。透過訓練帶有新穎性獎勵的探索者模型，篩選正確解法並蒸餾至學生模型，解決了傳統 RLVR 因過度探索導致模型退化的難題。
去中心化 SGD 克服重尾雜訊：梯度裁剪如何實現最佳收斂與線性加速
Clipped Decentralized SGD: Achieving Optimal Convergence and Linear Speed-Up Under Heavy-Tailed Noise
本研究證明了在重尾雜訊下，採用梯度裁剪的去中心化 SGD（DSGD）能達到最佳收斂率，並在非凸優化中首次實現了隨節點數量增加的線性加速。