Turing: Künstliche Intelligenz, Tensor-Kerne und DLSS
Auf dieser Seite stellen wir die Künstliche Intelligenz in der Turing-Architektur und die Tensor-Kerne von RTX 2080 (Ti) und RTX 2070 vor. Es handelt sich hierbei um wesentliche Zutaten der neuen Nvidia-Grafikkarten.
Turing-AI
Turing-AI: Künstliche Intelligenz, Tensor-Kerne, Möglichkeiten
Raytracing ist nur eine Zutat der Turing-Architektur. Künstliche Intelligenz, Deep Learning und neuronale Netzwerke sind die andere. Aus der Perspektive eines reinen Spielers waren das bisher periphere Schauplätze, doch mit Turing möchte Nvidia die jahrelang angebauten Früchte ernten. Das Themengebiet ist komplex, grundsätzlich geht es jedoch darum, mithilfe von Superrechnern, lernenden Algorithmen und Petabytes an Daten von einer auf die andere Sache zu schließen. Der Fachbegriff dafür lautet Inferenz (Inferencing) - Schlussfolgerung. Diese lässt sich wunderbar mithilfe einer zweiten Sorte von spezialisiertem Rechenwerk durchexerzieren, den Tensor Cores. Diese kamen erstmals in Volta, Nvidias nicht als Gaming-Geforce erschienener Architektur, zum Einsatz. Turing bringt die Tensor-Kerne als Geforce RTX erstmals ins Gaming-Segment.
Diese Spezialeinheiten innerhalb des Turing-Multiprozessors können verschiedene Datenformate unterschiedlich schnell behandeln, wobei der Einsatzzweck über die Präzision entscheidet. Zur Verfügung stehen 125 TFLOPS an FP16-Leistung (abgespeckte Gleitkomma-Berechnungen), 250 TOPs bei INT8 sowie 500 TOPS bei INT4 (jeweils Ganzzahlenformate). Die Fähigkeit zu INT8 und INT4 mit erhöhter Leistung sind laut Nvidia neu bei Turing, Volta wird bei reduzierter Genauigkeit nicht schneller. Inferencing, die Kernkompetenz bei Deep-Learning-Anwendungen, wird in der Regel mit INT8-Präzision durchgeführt, während moderne Spiele auf FP32-Formate setzen. Vergleicht man diese Durchsatzraten mit den traditionellen FP32-ALUs daneben, welche bei Turing bestenfalls 16 TFLOPS erreichen, fallen die Größenordnungen auf. Was macht man mit so viel Rechenkraft?
Die naheliegende Idee, normale Shader-Instruktionen aktueller Spiele über die Tensors laufen zu lassen, ist aus technischen Gründen nicht möglich, auch Crypto Mining nicht. Denoising ist das Stichwort. Wie erläutert, sparen aktuelle Raytracing-Implementierungen trotz der nun vorhandenen RT-Cores zahlreiche Rechenschritte ein, um interaktive Bildraten zu erzielen. Die dadurch entstehenden, bröseligen Lücken ("noise") werden mithilfe von cleverer Software und den Tensor-Kernen entrauscht ("denoised"). Somit greift ein Zahnrad in das andere - hochwertiges Hybrid-Raytracing wäre allein mit den vorhandenen RT-Kernen nicht flüssig und hübsch nutzbar.
Darüber hinaus eignen sich die Tensor-Kerne für unzählige weitere Anwendungszwecke, die derzeit noch in den Kinderschuhen stecken. Während Sie diese Zeilen lesen, schlussfolgern zahlreiche neuronale Netzwerke auf Nvidias Superrechnern, was das Zeug hält. Je mehr Daten, desto "schlauer" wird das Netz. Da das kaum greifbar ist, hier ein Beispiel: Sie füttern eine Deep-Learning-Struktur solange gezielt mit Bildern, bis diese verstanden hat, was eine hohe, erstrebenswerte Auflösung und was hingegen unerwünschter Pixelbrei ist. Nun ist der Algorithmus in der Lage, ein in 8×8 (64) Pixeln verstecktes Gesicht nur durch Schlussfolgerung und vorherige Eingaben erkennbar auf 128×128 (16.384) Pixel hochzurechnen. Das Ergebnis wird nicht identisch mit der echten Aufnahme gleicher Auflösung sein, aber je nach Datenbasis sehr nah dran. Derartige Extrapolation mithilfe von Schlussfolgerung eignet sich natürlich auch dafür, qualitativ bereits ordentliche Bilder aufzuwerten. Nvidias Beispiel, die Nahaufnahme einer Katze, profitiert deutlich von "AI Super Rez". Inwiefern derartige Funktionalität zum Start der Turing-Grafikkarten geliefert wird, ist unklar. Nvidia nennt dieses und weitere "Neural Features", welche im Rahmen des NGX-Frameworks implementiert werden: AI InPainting, AI Slow-Mo und DLSS.
Turing: Deep Learning Super-Sampling
Apropos: Das mit Turing vorgestellte Deep Learning Super-Sampling (DLSS) ist dagegen deutlich handfester und wurde bereits fest als RTX-Feature versprochen. DLSS folgt derselben Idee: Ein neuronales Netz wird solange mit hochauflösenden respektive bestmöglich geglätteten Bildern gefüttert, bis es "weiß", wie gute Grafik aussieht. Dieses Wissen gedenkt Nvidia auf normale PC-Spiele in praxisnahen Auflösungen anzuwenden: Die mit enormer Rechenleistung ausgestatteten Tensor-Kerne sollen Supersample-AA in Echtzeit an ihrem PC berechnen und somit ein glattes und, SSAA-typisch, knackscharfes Bild erreichen. Nvidia gibt auf Nachfrage an, dass bei DLSS eine nicht in Stein gemeißelte Auflösung unterhalb der eingestellten verwendet wird, welche mithilfe des Deep-Learning-Trainings durch Supersamples mit temporaler Komponente ergänzt wird. Man könnte sagen, dass es sich um eine neue Form des Upscalings handelt, bei der nicht bloß vorhandene Informationen extrapoliert werden, sondern neue hinzukommen. Daneben soll es noch DLSS 2X geben, einen Modus, der mit der tatsächlich eingestellten Auflösung arbeitet und ein Äquivalent von 64× Supersampling anwendet. Dieser Modus ist selbstverständlich langsamer als die native Darstellung.
Wie DLSS aussehen kann, präsentierte Nvidia live anhand von Epics Infiltrator-Demo. Wie gut DLSS am heimischen Rechner in Echtzeit und außerhalb einer selbstablaufenden Sequenz performt, kann indes noch niemand außerhalb der Nvidia-Labore sagen.
Deep Learning Super-Sampling ist kein Feature, das Sie einfach im Treiber aktivieren werden können.
Deep Learning Super-Sampling ist kein Feature, das Sie einfach im Treiber aktivieren werden können. Auf Nachfrage gab Nvidia an, dass Spiele gezielt trainiert werden müssen. Entwickler, die DLSS-Unterstützung in ihrem Titel haben möchten, wenden sich folglich an Nvidia. Wie das Training der neuronalen Netzwerke im Detail aussieht und wie lange es bis zu guten Ergebnissen dauert, ist unbekannt. Was die Kosten für das DLSS-Training angeht, war man hingegen offen - es ist kostenlos. Es gilt das Prinzip "Eine Hand wäscht die andere": Nvidia erhält wertvolle Daten, die das Netzwerk stärken, und kann seine Turing-Grafikkarten besser bewerben. Letzteres gilt auch für die Entwickler der entsprechenden Spiele, welche zudem ein Interesse daran haben, dass ihr Werk in bestmöglicher Qualität erstrahlt. Die Implementierung von DLSS erfolgt anschließend über das Neural Graphics Framework (NGX), das eine Programmierung der Tensor-Kerne erlaubt. Wie die Informationen des Netzes auf den Rechner der Spieler gelangen, ist nach wie vor unklar. Denkbar ist eine Profilfunktion innerhalb der Geforce Experience, welche sich auch mit Updates versehen ließe, oder der Treiber bringt die Bibliotheken unbekannter Größe selbst mit. Die ursprünglich angekündigten Spiele mit DLSS-Support umfassten 16 Spiele, darunter Ark, FF15, Hitman 2, PUBG, Mechwarrior 5 und Shadow of the Tomb Raider. Zuletzt kamen noch neu weitere Titel dazu, darunter Darksiders 3, Fear the Wolves, Hellblade, SCUM und Overkill's The Walking Dead.
Quelle: Nvidia
Spiele mit DLSS: Die aktuelle Liste
Dafür ist die 2080 eigentlich konzipiert meiner Meinung nach.
MfG
Dafür ist die 2080 eigentlich konzipiert meiner Meinung nach.
p.s.: Im PCGH Test steht aber etwas von UHD Auflösung/ maxed out und nicht 5k?!??
MfG
http://www.pcgameshardwar...
Du kannst jeden Grafikspeicher aushebeln, wenn du die Auflösung hoch genug wählst.
Ich gebe dir aber trotzdem in soweit Recht, dass für eine Grafikkarte die explizit mit UHD beworben wird 8 GByte schon sehr an der Grenze sind. Und das bereits in heutigen Spielen.
Gesendet von meinem SM-G935F mit Tapatalk