Nvidia показала ПО для телескопов, коллайдера и химии

Nvidia представила на конференции ISC 2026 в Гамбурге набор программных инструментов для научных вычислений. Компания обещает ускорение от десятков процентов до тысяч раз в задачах астрономии, физики высоких энергий и материаловедения. Самый заметный результат касается работы с данными телескопов: чтение астрономических файлов формата FITS на системах GB200 NVL72, по данным Nvidia, ускорилось до 14 900 раз по сравнению с обработкой на CPU.

Речь идёт не о новой видеокарте, а о попытке закрепиться в сегменте научного ПО, где железо само по себе продаётся хуже, чем готовая связка из ускорителей, библиотек и отраслевых моделей. Для Nvidia это понятный шаг: по итогам финансового 2025 года её выручка выросла до $130,5 млрд, и основной рост пришёлся на инфраструктуру ИИ. Теперь компания пытается перенести этот спрос из дата-центров в лаборатории и обсерватории.

ПО для телескопов и коллайдера

Одна из главных новинок, пакет cuPhoton, рассчитана на многомерные научные данные от телескопов, рентгеновских установок и лазерных экспериментов. На конфигурации с 32 суперчипами Grace Blackwell обработка и анализ сигналов, как утверждает Nvidia, выполняются до 8400 раз быстрее. В разработке пакета участвовали специалисты Принстонского и Гарвардского университетов.

Компания напрямую привязала этот инструмент к обсерватории имени Веры Рубин и обзору Legacy Survey of Space and Time. Этот проект будет генерировать поток данных, с которым классическая цепочка CPU и дискового хранения справляется всё хуже: по расчётам обсерватории, камера LSST на 3200 мегапикселей сможет выдавать около 20 ТБ данных за ночь. Для таких установок скорость чтения файлов становится не вспомогательной метрикой, а узким местом всей научной программы.

Вторая заметная библиотека, DAQIRI, отвечает за высокоскоростной приём данных от научных датчиков и детекторов. Nvidia делает ставку на обработку потока в реальном времени, без промежуточного сброса всего массива в хранилище. Такой подход важен для установок, где данные возникают быстрее, чем их можно сохранить или разметить вручную.

Примером стал проект A-GHOST, который ведут CERN, Чикагский университет и Университетский колледж Лондона для эксперимента ATLAS на Большом адронном коллайдере. В подобных экспериментах физики обычно сохраняют лишь малую долю событий: остальное отбрасывается на уровне триггеров, иначе объём потока становится непрактичным даже для крупных центров обработки. Nvidia утверждает, что связка DAQIRI и ИИ даёт шанс анализировать сигналы, которые раньше удалялись, в том числе редкие события, потенциально связанные с тёмной материей.

Это вписывается в более широкий сдвиг в отрасли. В физике высоких энергий и радиоастрономии ускорители всё чаще применяют не только для моделирования, но и прямо в контуре измерений. Схожие подходы развивают AMD, Intel и крупные HPC-центры, однако у Nvidia здесь сильная позиция за счёт готовой CUDA-экосистемы, которая уже стала стандартом де-факто для многих вычислительных кластеров.

Химия и материалы

Для химии и материаловедения Nvidia продвигает платформу ALCHEMI. Она объединяет микросервисы для расчёта свойств молекул и новых материалов, чтобы запускать массовый скрининг соединений не поштучно, а сразу на миллионах кандидатов. Практический смысл прост: лаборатории тратят меньше времени на перебор заведомо слабых вариантов и быстрее переходят к синтезу и испытаниям.

• поиск материалов для аккумуляторов
• подбор катализаторов
• моделирование соединений для OLED-дисплеев
• расчёты для химических и косметических формул

Lila Sciences, которая строит платформу автономных научных лабораторий, сообщила, что с ALCHEMI ускорила массовый поиск перспективных материалов в 50 раз, а расчёты магнитных свойств — на 30%. Дополнительная оптимизация моделей TensorNet, по данным Nvidia, дала шестикратное ускорение обучения и втрое снизила потребление памяти. В лабораторной практике это означает перенос части задач из категории «несколько недель на прогон» в режим нескольких дней.

Сегмент вычислительной химии сейчас быстро коммерциализируется. Schrödinger, Isomorphic Labs, SandboxAQ и ряд стартапов продают фарме и промышленности инструменты для молекулярного моделирования и подбора материалов, а объём рынка ПО для computer-aided drug discovery и adjacent-сегментов уже оценивается в миллиарды долларов. Nvidia, в отличие от узкопрофильных игроков, пытается продать сразу полный стек: ускорители, библиотеку, модели и облачную инфраструктуру.

Для научных центров это ещё и способ обновить экономику закупок. Если раньше суперкомпьютер покупали ради нескольких специализированных кодов, то теперь его проще обосновать как универсальную платформу под телескопы, физические детекторы и химическое моделирование одновременно. В тесте редакции такие заявления обычно требуют независимой валидации, потому что разница между демонстрацией на эталонной конфигурации и реальной лабораторной установкой бывает болезненной.

Ближайшая проверка этих обещаний пройдёт не на сцене ISC, а в реальных проектах. Обсерватория Рубин должна наращивать объёмы наблюдений после ввода обзора LSST, а CERN готовится к ещё более тяжёлым потокам данных с модернизацией коллайдера High-Luminosity LHC к концу десятилетия. Если библиотеки Nvidia действительно сократят потери сигналов и время расчётов в таких установках, компания укрепит позиции не только на рынке ИИ, но и в бюджете крупных научных программ.