NVIDIA cuPhoton 开源：科学图像从传感器到结论全程留在 GPU，读取环节最高加速 14900 倍 NEWS DETAIL

天文望远镜、激光与 X 射线光源等高通量装置产生图像的速度，已经超过 CPU 流水线能处理的速度。瓶颈通常不是某一个慢内核，而是从传感器到结论的整条路径：读取原始数据、匹配点扩散函数或探测器响应、相减与归约、拟合、分类、告警。单个巡天项目或实验周期积累 PB 级多维数据已是常态。

NVIDIA 开源了 cuPhoton，一个基于 CUDA-X 的 GPU 加速组件库，覆盖光谱与光学天文、时域激光与 X 射线分析等场景。它的思路不是把某一步做快，而是让图像数据从读取到分类始终留在 GPU 上，把原本以小时、月甚至年计的等待压缩到秒级，使研究者可以交互式地反复试验。

Vera C. Rubin 天文台是一个典型例子。入夜后每 39 秒，LSSTCam 就记录一帧 32 亿像素的南天曝光；Prompt Processing 流水线要在约 60 到 120 秒内，把约 1 万个小目标判定为天体瞬变或宇宙线、卫星轨迹、处理错误等伪影。一整夜累计可达 20 TB 图像与 1000 万个候选目标。传统做法是先用 Astropy 在 CPU 上解析 FITS，再拷贝到显存，这段数据搬运本身就会吃掉告警延迟预算。

cuPhoton 把这条路径拆成可组合的模块：xDataReader 负责把 FITS 直接读上 GPU（CFITSIO 在 CPU 侧规划字节区间，KvikIO 读取并在支持时走 GPUDirect Storage，nvCOMP 在 GPU 上解压 GZIP 分块）；xRep 用 WCS 把多次观测重采样到同一北向天球网格，默认 Lanczos-3 插值；xPois 求解 Alard-Lupton 最优图像相减所需的高斯-多项式卷积核与差分背景；xFit 在 CuPy 上批量求解偶极模型，用 Levenberg-Marquardt 同时分解多个正则化高斯-牛顿系统，已收敛的拟合提前退出迭代；xScan 与 xRay 分别覆盖扫描与时域 X 射线探测器分析。

官方给出的规模数据是：在多 GPU、数百 TB 级数据的代表性工作负载上，图像加载与读取最高加速 14900 倍，信号处理最高加速 14550 倍，把数月计算压缩到分钟级；此前需要 9 个月的数据分析，在 GPU 加速的 Python 上已演示为 4 小时完成。对于 KB 级的小数据集，整条流水线可在毫秒甚至微秒级完成。需要说明的是，这些倍数是单项操作的对比，不等同于端到端流水线加速。

cuPhoton 0.1.3 支持 Linux 上的 Python 3.12 到 3.14 与 CUDA 13，依赖 CuPy、PyTorch、Numba-CUDA、KvikIO 与 nvCOMP，仓库内提供了可直接运行的成像流水线示例与快速上手脚本。它可扩展到多 GPU、多节点的 Grace Blackwell 与 Vera Rubin 系统，同时也能在一块 DGX Spark 或单 GPU 工作站上跑通完整流程，方便团队先用小规模合成数据验证，再放大到生产级设施。