数学优化是一种功能强大的工具,可以帮助企业和人们做出更明智的决策,并实现任意数量的目标。这些目标包括提高运营效率、降低成本和提高客户满意度。许多日常用例都可以应用数学优化,例如调度航班、定价酒店房间、选择 GPS 路线和规划货运卡车路线等。
然而,数学优化计算需求很高。模型复杂性和数据集大小需要复杂的 AI 算法和高性能计算。由于对更快、更好的数学优化解决方案的需求不断增长,从系统、软件平台到加速库,全栈创新是必需的。
Gurobi 成立于 2008 年,是一家数学优化求解器,可解决复杂问题,并在数秒内向全球各行各业的 1200 多家客户提供优化解决方案。该公司获得了一台基于 Supermicro NVIDIA MGX 的系统,由 NVIDIA GH200 Grace Hopper 超级芯片提供支持,该系统能够以低功耗实现快速性能。
这篇博客文章探讨了使用基于 Arm 的 NVIDIA Grace CPU 的基准测试结果和用例,这些用例表明了效率的提高。
为混合整数编程库设置计算优化测试环境
测试平台由 Supermicro 的单个 NVIDIA Grace Hopper 超级芯片服务器、四台 AMD EPYC 7313P 服务器组成的集群(每台服务器均具有 16 个核心和 256 GB 的 DDR4 内存)以及在 Ubuntu 22.04 上的 Gurobi Optimizer 11.0 组成。
NVIDIA Grace Hopper 超级芯片通过高带宽、一致性 NVIDIA NVLink-C2C(芯片到芯片)互连技术,将基于 Arm 的 NVIDIA Grace CPU 与 NVIDIA Hopper GPU 相结合。Grace CPU 具有 72 个核心和 480 GB 的高性能、低功耗双数据速率 5 倍(LPDDR5X)内存。
为了评估性能,Gurobi 使用混合整数编程库 (MIPLIB) 2017 中的代表性基准集进行了一系列实验,该集包含 240 个真实世界优化实例。然后,将 NVIDIA Grace CPU 在 Grace Hopper 超级芯片上的结果与客户常用的 AMD EPYC 服务器集群进行了比较。
初步结果
第一个图形显示了 MIPLIB 基准集中的硬模型的运行时间。
Grace Hopper 在大多数困难模型上表现优于 EPYC,平均运行时间约为 80 秒,相比之下 AMD 的平均运行时间为 130 秒,提高了 38%。

下图显示了整个 MIPLIB 基准测试集的吞吐量和能耗。时间和能耗越低,性能越好。这意味着,性能好的系统应该具有较低的时间和能耗。同样,在这两个指标上,NVIDIA Grace CPU 的性能都优于 AMD EPYC 7313P,具体来说,运行速度提高了近 23%,而能耗降低了 46%。

图 3 显示了 MIPLIB 基准测试集的能耗,以千瓦时为单位。对于每种配置,Grace Hopper 在两个线程数量上消耗的能耗均低于 AMD EPYC 7313P,结果是:Grace Hopper 消耗的能耗少于 AMD EPYC 7313P,无论是哪种线程数量。
- 在 8 个线程的情况下,NVIDIA Grace CPU 的功耗约为 1.4 kWh,比 AMD 的 1.75 kWh 低 20%。
- 对于 12 个线程,NVIDIA Grace CPU 的耗电量约为 1.6 千瓦时,而 AMD 的耗电量为 2.6 千瓦时,相比之下提高了 38%。

这些结果表明,NVIDIA Grace CPU 上的 Gurobi Optimizer 在解决具有挑战性的 MIP 模型方面比 AMD EPYC 7313P 实现了显著的加速和节能。
这归功于 NVIDIA Grace CPU 出色的多处理能力,它能够高效地处理优化器的高计算和内存需求。
借助 NVIDIA Grace Hopper 超级芯片,我们可以快速、高效地解决问题
初步基准测试表明,Gurobi Optimizer 和 NVIDIA Grace Hopper 超级芯片支持更快的计算性能,同时也具有更低的能耗。他们计划通过额外的调整和测试来改进其结果。
对于希望提高能效,同时以更出色的性能应对复杂业务挑战的各行各业的公司而言,这为他们提供了广阔的前景。为了更好地了解测试和结果,请观看 NVIDIA GTC 的点播会议。同时,如果您想了解数学优化如何帮助解决最复杂的挑战,请查看 Gurobi 资源中心。