Nvidia hat die Erweiterung seiner CUDA-X-Bibliothekssuite bekannt gegeben, die darauf abzielt, wissenschaftliches Rechnen auf GPUs zu beschleunigen. Die am 18. November 2026 veröffentlichte Ankündigung umfasst gleich mehrere fundamentale Bereiche – von Astrophysik und Kernfusion bis hin zu Wirkstoffforschung und Materialwissenschaften. Laut Unternehmensangaben ermöglichen die neuen Module die Durchführung von Operationen, die zuvor Wochen oder Monate in Anspruch nahmen, in wenigen Minuten und senken dabei die Rechenkosten um Größenordnungen.

Astronomie: Schwarze Löcher in 8 Minuten

Eines der anschaulichsten Ergebnisse demonstrierte das Modul cuPhoton.xBeam. Es dient dem Abgleich von Radiosignalen, die von den Teleskopen des Projekts Event Horizon Telescope (EHT) stammen – einem globalen Netzwerk von Observatorien zur Beobachtung supermassereicher schwarzer Löcher. EHT generiert Petabytes an Daten, die kombiniert und verarbeitet werden müssen, um Bilder zu rekonstruieren. Mit dem Einsatz von cuPhoton.xBeam verkürzte sich dieser Vorgang, der zuvor über einen Monat dauerte, auf acht Minuten. Der Leistungsunterschied liegt bei etwa fünf bis sechs Größenordnungen, was eine schnellere Datenanalyse und die Durchführung von Neuberechnungen mit geänderten Parametern ermöglicht.

Kernfusion: KI-Agent in Echtzeit

Im Rahmen derselben cuPhoton-Bibliothek wurde das Modul xLens implementiert, das die Analyse von Plasmasimulationsergebnissen direkt während der Berechnungen statt nach deren Abschluss ermöglicht. Pacific Fusion nutzt dieses Tool, um Einblicke in das Verhalten von Plasma während des Simulationsprozesses zu erhalten. An den Rechenprozess kann ein lokaler KI-Agent auf Basis von Nvidia Nemotron angeschlossen werden, der Zwischenergebnisse analysiert und hilft, die Simulation in Echtzeit anzupassen. Ein ähnlicher Ansatz wird bei der Erforschung von Zielen und Kammern für Fusionsreaktoren eingesetzt, wo die Fähigkeit zur schnellen Reaktion auf Parameteränderungen für die Optimierung von Experimenten von entscheidender Bedeutung ist.

Pharmakologie und Molekulare Modellerstellung

Im Bereich der Wirkstoffforschung fördert Nvidia die cuPotential-Bibliothek, die auf Arbeiten von Spezialisten des Flatiron Institute und von D. E. Shaw Research basiert. Sie beschleunigt bestehende Software für molekulare Modellierung um das Dreifache und erhöht gleichzeitig die Stabilität und Genauigkeit der Berechnungen. Forscher können damit schneller synthetische Daten zur Schulung generativer KI-Modelle generieren, bisher unbekannte molekulare Bindungsstellen entdecken und ihre Wechselwirkungsstärke berechnen. Zusätzlichen Kontext bietet das Paket NVIDIA Nemotron for Science, das parallel zu CUDA-X vorgestellt wurde: Es basiert auf dem offenen Modell Nemotron 3.5 Super VL und enthält einen neuen Satz chemischer Daten sowie Rezepte für das Post-Training, was die Möglichkeiten von KI-Werkzeugen in Chemie und Pharmakologie erweitert.

Materialwissenschaften: 22-fache Beschleunigung quantenmechanischer Berechnungen

In den Materialwissenschaften kündigte Nvidia eine Beschleunigung quantenmechanischer Berechnungen um das bis zu 22-Fache bei gleichzeitiger Senkung der Kosten um 75 % an. Das Ergebnis wird durch Daviator-GPU-Cores ermöglicht, die für das VASP-Softwarepaket entwickelt wurden – eines der Hauptwerkzeuge zur Simulation von Materialeigenschaften auf atomarer Ebene. Ein Hauptvorteil der neuen Cores besteht darin, dass sie Berechnungen für Systeme unterschiedlicher Größe beschleunigen, einschließlich kleinerer Modelle, die zuvor von Zentralprozessoren effizienter verarbeitet wurden. Dies ist wichtig für die Vorbereitung von Millionen atomarer Wechselwirkungsberechnungen, die für das Training und den Betrieb von Rechenmodellen in den Materialwissenschaften erforderlich sind.

Experimentelle Physik: Datenverarbeitung vor Abschluss des Experiments

Eine separate Entwicklung wird direkt während der Experimente eingesetzt. Am Lawrence Berkeley National Laboratory verbindet die Nvidia-DAQIRI-Bibliothek einen Hochgeschwindigkeits-Elektronenmikroskopdetektor mit einem GPU-Datenverarbeitungssystem. Wissenschaftler erhalten die Möglichkeit, nützliche Signale herauszufiltern, bisher unbekannte Interessensgebiete zu entdecken und nächste Messungen noch vor Abschluss des Experiments auszuwählen. Die Technologie ist unter anderem für die Untersuchung von Materialien mit atomarer Auflösung gedacht, wodurch einzelne chemische Elemente unterschieden werden können, was für Nanotechnologien und Festkörperphysik von entscheidender Bedeutung ist.

Biologie: Von Zellkonturen zu Protein-Funktionen

In der biowissenschaftlichen Forschung hat die offene cuSpa-Bibliothek die Berechnungen von Zellkonturen im Vergleich zu CPUs um das 900-Fache beschleunigt. Sie ermöglicht den Aufbau großer räumlicher Gewebegraphen, die bei der Erstellung von Krankheits- und Krebsmodellen verwendet werden. Das gemeinsam mit der scverse-Community entwickelte Tool rapids-singlecell beschleunigt die Analyse von Einzelzelldaten: Therna Biosciences meldete eine 200-fache Verarbeitungsbeschleunigung, und 10x Genomics hat diese Technologie in seine Sentira-Plattform integriert. Darüber hinaus beschleunigt die offene GPU-Bibliothek HMMER die Bestimmung von Proteinfunktionen anhand ihrer Aminosäuresequenzen – in Tests von Basecamp Research lief die Suche bis zu 84-mal schneller ab als die Standard-CPU-Version. All diese Berechnungen werden bei der Vorbereitung großer biologischer Datensätze für das Training von Modellen verwendet, die in der Wirkstoffforschung eingesetzt werden.