▷ Deep learning super

Deep Learning Super Sampling (DLSS) és una de les tecnologies més prometedores de la nova arquitectura gràfica Turing de Nvidia. Aquesta tecnologia es basa en les capacitats d'intel·ligència artificial (IA) de les targetes gràfiques de la companyia per millorar el rendiment dels videojocs sense haver d'augmentar la potència bruta. T'expliquem tots sobre el DLSS i com funciona.

Índex de continguts

Com funciona el Deep Learning Super Sampling de les noves targetes gràfiques Turing?

Els Tensor Core són l'element fonamental de l'arquitectura Turing per al funcionament de l'Deep Learning Super Sampling. Els Tensor Core de Nvidia són uns nuclis especials que estan dissenyats per accelerar el càlcul dels múltiples matrius, les matemàtiques que s'utilitzen comunament en els algoritmes d'aprenentatge profund i altres escenaris informàtics centrats en la intel·ligència artificial.

Alguns dels nostres lectors es preguntaran per què Nvidia ha decidit portar aquesta funció de nivell empresarial a el sector dels videojocs, però la resposta és bastant simple. Nvidia porta molt temps treballant amb capacitats d'IA relacionades amb la reconstrucció d'imatges, i ha trobat la forma d'explotar això en els videojocs.

Et recomanem la lectura del nostre post sobre Què és la rasterització i com és la seva diferència amb el Ray Tracing

Nvidia farà servir el DLSS per fer un reescalat d'alta qualitat en els jocs, això vol dir que es renderizarán a una resolució menor a la final, el que resultarà en un millor rendiment. Per exemple, es podria renderitzar una imatge a 2K i després ampliar-la a 4K usant les capacitats de DLSS, això dóna com a resultat una imatge amb una qualitat molt similar a una imatge 4K nativa, però amb un rendiment molt més gran.

rendiment

L'arquitectura Turing de Nvidia usa els seus Tensor Core per Deep Learning Super Sampling en els jocs, el que li permet a Nvidia oferir nivells similars de qualitat d'imatge com una presentació de resolució nativa amb TAA, alhora que ofereix un augment significatiu de l'rendiment. Això brinda als usuaris de DLSS un augment en el rendiment que s'estima en al voltant de l'35-40%, actuant com una mena de "actualització de rendiment gratuïta" per als jocs que admeten l'algoritme Deep Learning.

Els Tensor Core de Nvidia s'utilitzaran per augmentar la claredat dels jocs amb DLSS, reduint la potència de còmput requerida per processar imatges d'alta resolució, oferint el primer augment de rendiment fet per AI de la indústria. Amb Deep Learning, Nvidia es podran crear imatges d'alta resolució, els jugadors no notaran la diferència respecte a una imatge renderitzada a resolució nativa.

Nvidia ha declarat que planegen crear altres tecnologies que puguin utilitzar els seus nuclis Tensor en els videojocs. Quan tot es conjugue, el sistema de flux de treball simultani de Nvidia permetrà que es completi més feina computacional que mai abans, paralelizando encara més el flux de treball de la GPU.

Amb Turing, Nvidia ha acumulat més poder de còmput en una sola targeta gràfica que mai, a el mateix temps que diversifica la infraestructura de comput o de targetes gràfiques per habilitar noves característiques, forjant un camí en els dominis de Deep Learning i Ray Tracing en temps real.

Jocs que faran servir Deep Learning Super Sampling

La llista de videojocs amb suport per Deep Learning Super Sampling és encara bastant reduïda, però anirà augmentant a mesura que passi el temps. Per ara el llistat de jocs compatibles és el següent:

• Ark: Survival EvolvedAtomic HeartDarksiders IIIDauntlessDeliver Us The Moon: FortunaFinal Fantasy XVFractured LandsHellblade: Senua s SacrificeHitman 2Islands of NyneJusticeJX3KINETIKMechwarrior 5: MercenariesOutpost ZeroOverkill 's The Walking DeadPlayer Unknown' s BattlegroundsRemnant: From the AshesSCUMSerious Sam 4: Planet BadassShadow of the Tomb RaiderStormdiversThe Forge ArenaWe Happy Few

Et recomanem la lectura:

Amb això finalitza el nostre article especial sobre la nova tecnologia Deep Learning Super Sampling, recorda que pots compartir-ho en les xarxes socials perquè pugui ajudar a més usuaris que ho necessiten.