Поддержка архитектуры Nova Lake и AVX10.2
Библиотека однокорневых нейронных сетей oneDNN 3.13, перешедшая под эгиду фонда UXL Foundation, делает важный шаг в сторону будущего аппаратного обеспечения Intel. Ключевой новинкой версии является предварительная оптимизация производительности для будущих процессоров Intel Core Ultra серии Nova Lake. Разработчики внедрили специфические настройки для набора инструкций AVX10.2, что позволит новым чипам максимально эффективно использовать вычислительные мощности на этапе выхода.
Ускорение существующих решений Xeon и Arc
Оптимизации затронули не только грядущие новинки, но и текущее поколение оборудования. Для серверных процессоров Intel Xeon с архитектурой AMX (Advanced Matrix Extensions) реализованы улучшения производительности операций MATMUL (матричное умножение), что критически важно для задач машинного обучения. На стороне графики ускорены свертки (convolution) для видеокарт Arc B-Series «Battlemage», а также подготовлена база для интегрированной графики Xe3P-LPG в составе Nova Lake P.
Широкая совместимость и альтернативные архитектуры
Помимо экосистемы Intel, релиз включает оптимизации для процессоров без поддержки AVX-512/AMX, используя инструкции AVX2. Также разработчики уделили внимание архитектурам AArch64 и RISC-V, что расширяет кроссплатформенную применимость библиотеки. На фоне недавнего выхода AMD ZenDNN 6.0, этот релиз подчеркивает активную конкуренцию в сфере оптимизации ИИ-вычислений.
Сводка ключевых улучшений
| Компонент | Технология/Архитектура | Тип оптимизации |
|---|---|---|
| Intel Core Ultra (Nova Lake) | AVX10.2 | Базовая настройка производительности |
| Intel Xeon (текущее поколение) | AMX | Ускорение MATMUL |
| Intel Arc B-Series | Battlemage | Оптимизация свертки (convolution) |
| Процессоры без AVX-512 | AVX2 | Общие улучшения производительности |
Полный исходный код и детали релиза oneDNN 3.13 уже доступны на GitHub. Для разработчиков, работающих с ИИ-инференсом и обучением моделей на оборудовании Intel, обновление является обязательным для получения максимальной эффективности.
Источник: Phoronix ↗