CUDA

Annonce de l'extension de l'écosystème CUDA à RISC-V avec des spécifications techniques publiées et une démo prévue.

SemiAnalysis juge prometteur le virage de Trainium vers un support PyTorch natif pour l'entraînement, tout en soulignant une maturité encore très éloignée de celle de l'écosystème CUDA.

Stealthium explique comment des attaques ROME modifient les poids d'un modèle en mémoire GPU sans toucher au disque, et comment son capteur d'exécution relie chaque lancement de kernel CUDA au code Python.

Le dépôt open source GPGPU-Sim, relayé sur Hacker News, propose un simulateur de GPU au niveau du cycle pour étudier l'exécution de programmes CUDA et OpenCL.

NVIDIA lance cuPhoton, une bibliothèque GPU pour accélérer le traitement d'images scientifiques et lever le goulot d'étranglement des pipelines CPU-bound.

NVIDIA détaille une fonctionnalité permettant de répartir précisément les ressources GPU entre plusieurs tâches exécutées simultanément.

Un outil automatisé utilisant des agents IA pour optimiser le code des noyaux CUDA, cherchant à améliorer les performances d'exécution sur GPU.

L'accélération GPU ne suffit pas pour optimiser un graphe ROS 2 : les transferts mémoire CPU diluent les gains. NVIDIA propose une solution via Isaac ROS.

NVIDIA présente cuTile Rust, un système sûr pour écrire des kernels GPU, et démontre l'utilisation de l'IA agentic pour la conversion Python-Rust.

Un outil open source vise à faire tourner les charges CUDA de Nvidia directement sur des cartes graphiques AMD, sous Windows.

Une nouvelle approche compile les jeux en graphes CUDA statiques, faisant enfin dépasser le GPU sur le CPU pour l'algorithme CFR utilisé en théorie des jeux.

NVIDIA étend le support CUDA à Windows on Arm et affine la gestion des GPU partagés.

NVIDIA officialise son support du Rust pour la programmation GPU native avec deux approches distinctes.

NVIDIA détaille une méthode concrète pour optimiser du code CUDA, entre profilage, bibliothèques modernes et bonnes pratiques de performance.

NVIDIA stabilise son bridge Python pour CUDA, offrant un accès direct et natif au GPU sans passer par des couches d'abstraction tierces.

Nvidia adapterait son écosystème CUDA à l'architecture RISC-V, marquant une extension stratégique majeure.

Un exercice d'OSINT technique combine trigonométrie et calcul GPU pour retrouver la position exacte d'une île à partir d'une image.

Un article technique décortique la technique de swizzling pour éviter les conflits de banques en mémoire partagée CUDA.

Une nouvelle librairie Python fait le pont entre l'écosystème scientifique et les bibliothèques CUDA-X pour accélérer les calculs sur GPU.

NVIDIA comble un manque de longue date en ajoutant un support matériel GPU pour une primitive clé de la cryptographie moderne.

Spectral Compute veut affranchir CUDA de Nvidia et permettre son exécution sur d'autres architectures GPU.

Un projet open source propose un moteur d'inférence bas niveau optimisé pour faire tourner Qwen 3.6 35B sur les GPU Blackwell.

NVIDIA explique comment la fusion de kernels CUDA permet de réduire les goulots d'étranglement mémoire et les latences de lancement sur GPU.

Un développeur décortique le mécanisme CUDA-checkpoint de Nvidia pour réduire drastiquement les temps de démarrage des processus GPU.