Um algoritmo deixou uma placa de vídeo da Nvidia 800 vezes mais rápida?

Conferido em 26/10/2026. Todos os números deste texto foram checados no artigo científico publicado pelos autores, e não na cobertura de imprensa — que traz pelo menos um número que o artigo não contém.

O que o novo algoritmo que acelera GPUs da Nvidia faz, na prática?

O algoritmo que acelera GPUs da Nvidia é um programa chamado PD-General, que simula como um material racha. Numa placa de vídeo GeForce RTX 4070, ele rodou até 800 vezes mais rápido que a versão comum do cálculo e 100 vezes mais rápido que a versão paralela no processador (Yang, Su e Liu, 2025).

GPU é a sigla em inglês para a placa de vídeo, o chip feito para desenhar imagens na tela. Ela tem milhares de núcleos pequenos que fazem contas simples ao mesmo tempo. O processador, a CPU, tem poucos núcleos, cada um muito mais versátil.

O trabalho foi feito na Shenzhen MSU-BIT University, uma parceria entre a Universidade Estatal de Moscou e o Instituto de Tecnologia de Pequim, com coautores da Southern University of Science and Technology. Saiu na revista Engineering Analysis with Boundary Elements, da Elsevier, recebido em novembro de 2024 e publicado on-line em 29 de janeiro de 2025 (artigo, volume 172).

O dado que mais chamou atenção não é o 800. É o tamanho da simulação: um milhão de pontos de material, 4.000 passos de cálculo, terminados em 5 minutos numa placa que se compra em loja de informática (resumo do artigo). Os autores dizem que trabalhos que levavam dias no processador passam a levar horas ou dezenas de minutos.

Por que simular rachaduras exige tanto computador?

Simular rachaduras exige muito computador porque o método usado, a peridinâmica, faz cada ponto do material interagir com todos os vizinhos dentro de um raio, e não só com os que encostam nele. São milhões de pontos, dezenas de vizinhos cada um e milhares de passos de tempo minúsculos.

A peridinâmica foi proposta em 2000 por Stewart Silling, do Sandia National Laboratories, nos Estados Unidos (Silling, 2000). A vantagem dela sobre os métodos tradicionais de engenharia é tratar a trinca como parte natural do cálculo. O programa não precisa saber de antemão onde o material vai quebrar.

O preço dessa vantagem é o volume de contas. O artigo descreve o custo como proporcional ao número de pontos multiplicado pelo número de vizinhos de cada ponto. E, para o cálculo não divergir, o passo de tempo precisa ser pequeno, o que multiplica o número de repetições (Yang, Su e Liu, 2025).

Quem usa esse tipo de simulação é quem precisa prever falha de material: estruturas aeronáuticas, engenharia civil, materiais resistentes a impacto. A cobertura do Tom's Hardware cita aplicações aeroespaciais, civis e militares.

Os 800 vezes significam que a placa ficou 800 vezes mais potente?

Os 800 vezes não significam que a placa ficou mais potente. O número compara o PD-General na RTX 4070 com um programa que faz uma conta de cada vez num único núcleo de um processador Intel Core i7-10700. É a base de comparação mais lenta possível (Yang, Su e Liu, 2025).

Os próprios dados do artigo mostram o tamanho do efeito da base. A versão que divide o trabalho entre os núcleos do processador, um modelo de 8 núcleos, foi feita com OpenMP, um padrão para repartir laços entre os núcleos da CPU. No cálculo principal, ela ganhou de 7,5 a 8 vezes sobre a versão de núcleo único. Contra essa base, mais justa, o ganho da placa cai para cerca de 100 vezes.

O ganho também varia muito de uma etapa para outra. Nas tabelas do artigo, a etapa de forças internas acelerou 314 vezes no modelo sem trincas e até 1.091 vezes no modelo com trincas, enquanto a atualização dos deslocamentos ficou entre 25 e 32 vezes (tabelas 2 a 5 do artigo). O "até 800" do resumo é o melhor resultado anunciado, não a média: conforme a etapa, o ganho medido vai de cerca de 12 a mais de 1.000 vezes.

Na prática, isso quer dizer que a notícia é sobre software, não sobre hardware. A placa já tinha a capacidade; o mérito do trabalho está em fazer o cálculo caber nela. Daqui para baixo o texto entra em como isso foi feito.

Como o PD-General consegue aproveitar melhor a placa de vídeo?

O PD-General aproveita melhor a placa de vídeo porque divide o cálculo em unidades pequenas e independentes, uma por ponto ou por ligação entre pontos, e entrega cada uma a um dos 5.888 núcleos CUDA da RTX 4070. O programa comum percorria uma lista; o novo calcula os itens ao mesmo tempo.

CUDA é a plataforma da Nvidia para programar a placa de vídeo para cálculos que não são gráficos (Nvidia). É por ela que a mesma placa usada em jogos roda simulação científica e treina modelos de inteligência artificial.

O artigo descreve três decisões técnicas (Yang, Su e Liu, 2025):

1. Laços viram índices. Cada linha de execução da placa recebe o número de um ponto e calcula só aquele ponto. Os testes fixaram blocos de 256 linhas de execução, a configuração mais rápida encontrada.
2. Um módulo próprio monta a vizinhança. Ele primeiro conta os vizinhos de todos os pontos e só então reserva memória pelo maior número real encontrado, em vez de uma estimativa. Isso reduz o desperdício na memória da placa, de 12 GB.
3. Os dados mais usados ficam nos registradores. Registrador é a memória mais rápida do chip, dentro do próprio núcleo. O programa evita ir à memória geral da placa, que é muito mais lenta, e soma os resultados parciais entre as linhas de execução sem que uma sobrescreva a outra.

A terceira técnica exige uma placa com capacidade de cálculo CUDA acima da versão 7.0, segundo os autores. Placas mais antigas não rodam essa otimização.

Quanto uma placa de vídeo comum passa a simular com esse método?

Uma placa de vídeo comum passa a simular dezenas de milhões de pontos com esse método. No teste de limite, a RTX 4070 chegou a 75.645.000 pontos, usando cerca de 11 GB dos 12 GB de memória, e cada 1.000 passos levaram de 100 a 600 segundos em precisão simples (tabela 7 do artigo).

Precisão simples e precisão dupla são duas formas de guardar números com casas decimais. A dupla guarda mais casas e erra menos, mas ocupa o dobro de memória e é mais lenta. Na RTX 4070 a diferença é grande: 29,15 TFLOPS em precisão simples contra 455,4 GFLOPS em precisão dupla, uma relação de 64 para 1, segundo o artigo. TFLOPS mede trilhões de operações com casas decimais por segundo; GFLOPS, bilhões.

Por isso o mesmo problema muda bastante de custo conforme a precisão escolhida. O caso de um milhão de pontos e 4.000 passos leva 5 minutos em precisão simples e 20 minutos em precisão dupla. Nos casos máximos, 1.000 passos em precisão dupla levaram de 900 a 2.500 segundos (Yang, Su e Liu, 2025).

Placa de uso doméstico é feita para jogo, e jogo usa quase só precisão simples. Placas de data center, bem mais caras, têm desempenho muito maior em precisão dupla. Quem precisa de precisão dupla em escala continua tendo motivo para usá-las.

O que esse resultado ainda não prova?

Esse resultado ainda não prova que qualquer simulação científica ficará 800 vezes mais rápida numa placa de vídeo. O ganho foi medido em um tipo de modelo, testado em placas bidimensionais, contra uma base de comparação de núcleo único, e o código não foi publicado (Yang, Su e Liu, 2025).

Cada ponto pesa de um jeito:

• O modelo é o mais simples da família. O PD-General implementa a peridinâmica "baseada em ligações", a versão original. No exemplo do artigo, ela trabalha com o coeficiente de Poisson fixo em 1/3. Esse coeficiente descreve quanto o material afina quando é esticado, e materiais reais variam.
• Os testes publicados são em duas dimensões. Os exemplos são placas planas sob tração. O artigo não mostra resultado em três dimensões.
• Outros grupos já usavam a placa de vídeo. O próprio artigo cita trabalhos anteriores em GPU com ganhos de 2,6 a 10,3 vezes sobre o processador, e outro que rodou 10,24 vezes mais rápido que o programa de referência usando quatro placas Tesla V100. O avanço sobre o que já existia é real, mas não é de 800 vezes.
• O código não está aberto. A seção de disponibilidade de dados diz que eles serão fornecidos mediante pedido. Esta conferência não localizou reprodução independente publicada.

A cobertura de imprensa acrescentou camadas que o artigo não sustenta. O Tom's Hardware leu o resultado como forma de China e Rússia contornarem sanções sobre chips de ponta, e atribuiu o estudo a outra revista, o Chinese Journal of Computational Mechanics. Essa versão não foi localizada; a que está conferida aqui é a da Elsevier. A mesma matéria cita "69,85 milhões de iterações em menos de dois minutos", número que não aparece no artigo da Elsevier, e por isso fica fora deste texto.

O que uma empresa pode aprender com essa notícia?

Uma empresa pode aprender com essa notícia que velocidade de computador depende mais de como o programa usa o hardware do que do hardware em si. O mesmo computador ficou centenas de vezes mais rápido sem trocar peça nenhuma, só porque o cálculo foi reorganizado para usar o que já estava ali.

A segunda lição é sobre como ler número de desempenho. "X vezes mais rápido" só tem sentido com a resposta a "comparado com o quê". Um fornecedor que compara o produto dele com a pior alternativa possível consegue qualquer multiplicador. Vale perguntar qual foi a base, qual tarefa foi medida e se o ganho vale para a etapa inteira ou só para a parte mais favorável.

A terceira é saber quando a placa de vídeo não ajuda. Ela acelera trabalho que se divide em milhares de pedaços iguais e independentes: simulação, processamento de imagem, treino de modelos de IA. Trabalho em que cada passo depende do anterior, como a maior parte das rotinas administrativas, não ganha nada com milhares de núcleos.

A VT Sávio trabalha com automação de processos, e a lentidão que aparece nesses projetos raramente é falta de máquina. O padrão mais comum é uma etapa feita um item por vez, quando poderia rodar em lote, ou uma espera por resposta de outro sistema. Antes de pensar em servidor maior, compensa medir onde o tempo é gasto. Quando a medição mostra que o gargalo é de fato capacidade de cálculo, aí a infraestrutura entra na conversa.