“Los estudiantes de ingeniería y ciencias físicas necesitan mucha [potencia] informática para el diseño, el modelado y la simulación en 3D”, explica Jesse Clayton, director de gestión de productos de NVIDIA, a Den of Geek. “Los estudiantes de ciencias de la vida, ciencias sociales, ciencias de la computación y ciencias de la información necesitan mucha [potencia] informática para el análisis de datos, el aprendizaje automático y el aprendizaje profundo”.
¿Cuántas disciplinas STEM pueden beneficiarse? Este gráfico muestra las aplicaciones, los marcos o las bibliotecas más utilizados en un entorno universitario. Los que están en verde se benefician de la aceleración de hardware de GPU NVIDIA.
De las treinta y dos mejores aplicaciones, marcos y bibliotecas para estudiantes de pregrado en ingeniería (mecánica, civil, eléctrica y química), informática, ciencia de datos y economía, solo ocho no se benefician de la aceleración de GPU; el resto sí. Algunos de ellos, como ANSYS Discovery, no se ejecutarán en absoluto sin una GPU, mientras que otros son simplemente dolorosos de usar (requieren mucho más tiempo) o ambos.
Una mirada rápida a SolidWorks, una aplicación de diseño 3D, demuestra claramente el lado de la frustración de la ecuación. Funcionando únicamente desde el Core i7-12700H de 2.7Ghz, el modelo gira a 14 fps dolorosamente torpes. Mientras tanto, una computadora portátil NVIDIA RTX 3070 es suave como la mantequilla a 118 fps. Eso puede sonar como algo puramente estético, pero cuando tiene que rotar repetidamente y construir modelos complejos en tiempo real, realmente puede optimizar su flujo de trabajo.
“Imagínate tratar de diseñar esto con una experiencia lenta y con fallas”, dice Clayton. “Simplemente no lo harías. O bajarías la vista a un proyecto menos complejo, o estarías atrapado en el laboratorio de computación usando los sistemas de la universidad”.
Puede ver una brecha de rendimiento similar en MATLAB, donde una simulación de propagación de ondas 2D administra seis ciclos por segundo. El RTX 3070 administra 77 cada segundo, y realmente suma horas o incluso días durante un período. “La pregunta aquí para un estudiante es ¿quieres que tu tarea tome 12 veces más tiempo?” pregunta Clayton.
O podría ser incluso más que eso. Me muestran un ejemplo más: TensorFlow, donde entrenar una red en un conjunto de datos de imagen toma 16 minutos en la CPU i7, pero solo un minuto cuando entra en juego un RTX 3070. “Y esta es una red neuronal muy básica en un conjunto de datos de solo 60 000 imágenes”, aclara Clayton. “En una red compleja con cientos de miles de imágenes, esto se traduce en horas de ahorro de tiempo”.
Obviamente, esto es para el RTX 3070 de gama alta, pero los modelos 3050 y 3060 de nivel de entrada también brindan un impulso sustancial sobre las computadoras portátiles sin GPU, como muestra el gráfico a continuación. La RTX 3080 Ti de gama alta ofrece un rendimiento aún mejor para los estudiantes.
Claramente, ninguna universidad que valga la pena dejará que un estudiante se vaya sin las herramientas que necesita, y muchas proporcionan hardware para los estudiantes, pero hay una trampa. Por lo general, tiene la forma de un laboratorio de computación compartido, o a través de un servidor remoto en la nube donde a cada estudiante se le asigna una cantidad limitada de créditos ("generalmente solo lo suficiente para hacer lo mínimo requerido para la tarea, y no explorar completamente el tema, ” se lamenta Clayton.) En otras palabras, el hardware es de calidad (“para inteligencia artificial y ciencia de datos, casi siempre es NVIDIA”, según Clayton) pero el acceso no lo es.
“Muchos estudiantes con los que he hablado me han contado historias de pesadillas sobre estar atrapados en el laboratorio de computación a altas horas de la noche, a menudo con mal tiempo”, dice Clayton. Es mucho más fácil para ellos si pudieran hacer su trabajo en la comodidad de sus propios dormitorios o salas de estar, en su propio tiempo.
Únete a nuestra lista de correos
¡Obtenga lo mejor de Den of Geek directamente en su bandeja de entrada!
“Esto en realidad refleja la experiencia que tuve hace muchos años cuando estudiaba ingeniería en la universidad”, recuerda. “Tuvimos un par de clases en las que la única computadora que ejecutaba el software que necesitabas estaba en un laboratorio de computación al otro lado del campus. Fui a la escuela en Colorado, donde entrabas a las ocho en punto, pasabas tiempo luchando por esas estaciones de trabajo con todos los demás estudiantes y luego salías a las dos de la mañana cuando habían caído ocho pulgadas de nieve”.
Por supuesto, no está de más que las últimas laptops NVIDIA GeForce RTX Serie 30 también sean potencias para juegos, capaces de jugar los juegos más recientes con una fidelidad asombrosa, con características avanzadas como trazado de rayos y DLSS que las hacen lucir y jugar de la mejor manera.
Pero aunque eso puede sonar frívolo para los padres que deciden qué comprar, es la tecnología originalmente pensada para jugar lo que ahora hace que las computadoras portátiles NVIDIA sean máquinas de trabajo tan formidables.
“Es fácil establecer una conexión entre lo que se necesita para renderizar un juego en 3D y lo que se necesita para renderizar un motor a reacción en 3D que ha diseñado en SolidWorks”, explica Clayton. Sin embargo, los núcleos CUDA, originalmente diseñados para supercomputación en 2008, también están demostrando ser insustituibles para los estudiantes interesados en el aprendizaje profundo, el aprendizaje automático y el análisis de datos debido al trabajo ligero que hacen con los grandes datos.
En otras palabras, no podría tener el gruñido computacional serio requerido para las aplicaciones STEM más pesadas sin ofrecer un rendimiento de juego igualmente brillante. Lo cual es útil para los estudiantes que quieren su computadora portátil tanto para trabajar como para jugar.
Pero hay una lección importante al elegir su computadora portátil de estudio: a prueba de futuro tanto como pueda. “Creo que uno de los desafíos es que los estudiantes generalmente compran su computadora portátil cuando ingresan a su primer año, pero realmente se benefician de la GPU en sus cursos de nivel junior y senior”, concluye Clayton. “En muchos casos, hasta que haya comenzado a ingresar a esos cursos, no sabrá que necesitaba una GPU y que debería haber comprado una hace dos años”.
A pesar de toda la tecnología inteligente y moderna involucrada, vale la pena recordar un viejo adagio: compre barato, compre dos veces.
0 Comentarios