Les problèmes linéaires creux à grande échelle, courants dans les domaines de l’automatisation du design électronique (EDA), de la dynamique des fluides computationnelle (CFD) et des optimisations avancées, exigent désormais des performances et une scalabilité sans précédent. NVIDIA cuDSS (CUDA Direct Sparse Solver) répond à ces défis en permettant aux utilisateurs de résoudre efficacement des systèmes creux massifs avec des modifications minimales du code existant. Grâce à ses modes hybride, multi-GPU et multi-nœuds, cuDSS exploite pleinement les capacités des GPU NVIDIA, même pour des problèmes dépassant les limites mémoire d’un seul appareil. Pour démarrer, les utilisateurs doivent disposer d’un code fonctionnel intégrant cuDSS, avec une compréhension des trois phases fondamentales : analyse symbolique, factorisation numérique et résolution. Les versions récentes de cuDSS (à partir de 0.7.0) permettent désormais l’utilisation d’indices 64 bits (int64_t et CUDA_R_64I), crucial pour traiter des matrices de plus de 10 millions de lignes et un milliard de coefficients non nuls, là où les indices 32 bits étaient limités à 2^31 éléments. Le mode mémoire hybride permet de contourner les contraintes mémoire GPU en combinant la mémoire CPU et GPU. Bien que les transferts entre CPU et GPU entraînent une légère pénalité de performance, les optimisations du pilote NVIDIA et les interconnexions rapides (comme celles des nœuds Grace Blackwell) rendent cette approche viable. L’activation se fait via cudssConfigSet avec CUDSS_CONFIG_HYBRID_MODE, suivi d’un contrôle fin de la mémoire GPU allouée par cudssDataGet pour obtenir le minimum requis, et cudssConfigSet pour fixer une limite maximale. Ce contrôle permet d’éviter les erreurs de mémoire (OOM) tout en optimisant la performance. Le mode multi-GPU (MG mode) élimine la nécessité de gérer manuellement la communication entre GPU, en interne, via des mécanismes CUDA. Il est idéal pour des problèmes trop volumineux pour un seul GPU, pour éviter la pénalité du mode hybride, ou pour une scalabilité forte (réduction du temps de calcul en ajoutant des GPU). L’exemple sur un nœud DGX H200 montre une réduction significative du temps de factorisation et de résolution en passant de 1 à 4 GPU, malgré une consommation accrue des ressources. Pour aller plus loin, le mode multi-GPU multi-nœud (MGMN) permet d’étendre la scalabilité à plusieurs nœuds, en s’appuyant sur des couches de communication comme Open MPI ou NCCL. Un « shim » de communication abstrait permet d’insérer facilement des backends personnalisés. L’initialisation se fait via cudssDataSet avec un pointeur de communicateur, et cuDSS gère automatiquement la distribution des données, que celles-ci soient initialement sur un seul nœud ou réparties. La configuration des liaisons CPU/GPU/NIC est cruciale pour la performance. En résumé, cuDSS offre une solution puissante, flexible et facile à intégrer pour résoudre des problèmes creux massifs. Les stratégies recommandées — utilisation d’indices 64 bits, mode hybride pour la mémoire, MG mode pour la scalabilité locale, et MGMN pour l’extension distribuée — permettent d’exploiter pleinement les architectures GPU modernes. Les développeurs bénéficient d’un environnement de débogage amélioré, notamment via la journalisation, et peuvent suivre les évolutions via la page client NVIDIA. Ces fonctionnalités en font un outil essentiel pour les applications scientifiques et ingénierie de pointe.