▷ Super apprentissage en profondeur

Le super échantillonnage en profondeur (DLSS) est l'une des technologies les plus prometteuses de la nouvelle architecture graphique Turing de Nvidia. Cette technologie s'appuie sur les capacités d'intelligence artificielle (IA) des cartes graphiques de l'entreprise pour améliorer les performances des jeux vidéo sans augmenter la puissance brute. Nous vous expliquons tout sur DLSS et comment il fonctionne.

Index du contenu

Comment fonctionne le super échantillonnage Deep Learning sur les nouvelles cartes graphiques Turing?

Tensor Core est l'élément fondamental de l'architecture Turing pour le fonctionnement du Deep Learning Super Sampling. Les Tensor Core de Nvidia sont des cœurs spéciaux conçus pour accélérer le calcul de plusieurs matrices, les mathématiques couramment utilisées dans les algorithmes d'apprentissage en profondeur et d'autres scénarios informatiques axés sur l'intelligence artificielle.

Certains de nos lecteurs peuvent se demander pourquoi Nvidia a décidé d'apporter cette fonctionnalité de niveau entreprise à l'industrie du jeu, mais la réponse est assez simple. Nvidia travaille depuis longtemps avec les capacités d'IA liées à la reconstruction d'images et a trouvé un moyen d'exploiter cela dans les jeux vidéo.

Nous vous recommandons de lire notre article sur Qu'est-ce que la rastérisation et quelle est sa différence avec Ray Tracing

Nvidia utilisera DLSS pour effectuer un redimensionnement de haute qualité sur les jeux, ce qui signifie qu'ils seront rendus à une résolution inférieure à la version finale, ce qui entraîne de meilleures performances. Par exemple, vous pouvez rendre une image en 2K, puis l'agrandir en 4K en utilisant les capacités DLSS, ce qui donne une image avec une qualité très similaire à une image 4K native, mais avec des performances beaucoup plus élevées.

Performances

L'architecture Turing de Nvidia utilise son Tensor Core pour le super échantillonnage d'apprentissage en profondeur dans les jeux, ce qui permet à Nvidia d'offrir des niveaux de qualité d'image similaires à un affichage en résolution native avec TAA, tout en offrant une amélioration significative des performances.. Cela donne aux utilisateurs DLSS une augmentation des performances estimée à environ 35-40%, agissant comme une sorte de "mise à niveau gratuite des performances" pour les jeux prenant en charge l'algorithme Deep Learning.

Le Tensor Core de Nvidia sera utilisé pour augmenter la clarté des jeux avec DLSS, réduisant la puissance de calcul requise pour traiter les images haute résolution, offrant ainsi la première amélioration des performances de l'industrie basée sur l'IA. Avec le Deep Learning, Nvidia pourra créer des images haute résolution, les joueurs ne remarqueront pas la différence par rapport à une image rendue en résolution native.

Nvidia a déclaré son intention de créer d'autres technologies pouvant utiliser leurs cœurs Tensor dans les jeux vidéo. Lorsque tout est réuni, le système de flux de travail simultané de Nvidia permettra de terminer plus de travail de calcul que jamais, parallèlement au flux de travail du GPU.

Avec Turing, Nvidia a accumulé plus de puissance de calcul sur une seule carte graphique que jamais, tout en diversifiant l'infrastructure informatique ou de carte graphique pour permettre de nouvelles fonctionnalités, forgeant un chemin dans les domaines Deep Learning et Ray Tracing dans le temps. réel.

Jeux qui utiliseront le Deep Sampling Super Sampling

La liste des jeux vidéo prenant en charge le Deep Learning Super Sampling est encore assez petite, mais elle augmentera avec le temps. Pour l'instant la liste des jeux compatibles est la suivante:

• Ark: Survival EvolvedAtomic HeartDarksiders IIIDauntlessDeliver Us The Moon: FortunaFinal Fantasy XVFractured LandsHellblade: Senua's SacrificeHitman 2Islands of NyneJusticeJX3KINETIKMechwarrior 5: Battle of the WildsSuperheroes: Deadline: Battlegrounds

Nous vous recommandons de lire:

Ceci met fin à notre article spécial sur la nouvelle technologie Deep Learning Super Sampling, n'oubliez pas que vous pouvez la partager sur les réseaux sociaux afin qu'elle puisse aider plus d'utilisateurs qui en ont besoin.