知识卡片：NVIDIA cuOpt mPDLP 将决策优化扩展到 1 亿变量以上

一句话结论

NVIDIA cuOpt 引入 mPDLP 多 GPU 线性规划求解器，把大规模 LP 分布到 NVLink 连接的 GPU 上，在 1 亿变量级供应链与能源模型上报告数倍加速，并降低单 GPU 峰值内存占用。

事件概述或研究问题

供应链问题正扩展到更多 SKU、线路和约束，能源网格也需要实时平衡更多分布式来源。NVIDIA 技术博客指出，当前最大规划问题可能需数小时收敛，或超出单 GPU 内存容量，成为业务决策工作流瓶颈。文章介绍 cuOpt 的新 Multi-GPU Primal-Dual hybrid gradient for Linear Programming (mPDLP) 求解器，目标是让更大 LP 模型和更多不确定性进入实际规划窗口。

方法/产品要点

• mPDLP 是 cuOpt 中的多 GPU PDLP 求解器，将大型 LP 问题分布到 NVLink 连接的 GPU。
• PDLP 是一阶方法，热循环以 Sparse Matrix-Vector Multiplication (SpMV) 加映射操作为主，同时迭代 primal solution 与 dual solution，因而适合并行和 GPU。
• 分布式 PDLP 的非平凡部分是 SpMV；它是 memory-bound 操作，多 GPU 可增加总带宽，但会带来通信开销和负载不均衡。
• 硬件侧使用 NVLink / NVSwitch，软件侧使用 NCCL 进行 GPU 间点对点和集合通信。
• 既有 D-PDLP 采用 2D 行列划分，将矩阵子块分布到 GPU，再汇总部分输出；cuOpt mPDLP 则利用连续 SpMV 之间共享的 x、y 依赖。
• Min-cut partitioning 会构建约束矩阵 A 的二分依赖图，进行 k-way 分区以减少 edge cuts，把紧密依赖的行列尽量放在同一 GPU，从而降低跨 GPU 通信。
• 该方法的性能高度依赖图分区边割数量和矩阵 A 的稀疏结构。
• 文章给出的下一步包括运行 cuOpt mPDLP tutorial，以及在 GitHub 探索 cuOpt 源码、API、求解器设置和部署指南。

主要结果或产业意义

• 在超过 100 个 LP 实例、NVIDIA DGX B200 GPU 上测试，mPDLP 加速与问题规模强相关：非零元超过 10^7 后开始明显，最大问题上仅 PDLP steps 就达到 11.4x 加速。
• 在多数非零元超过 10^7 的大规模实例上，mPDLP 相比 prior D-PDLP 达到 1.2x 至 2.5x 加速，但性能随稀疏结构和 edge-cut ratio 变化。
• 相比单 GPU PDLP，mPDLP 每 GPU 峰值内存使用最高降低 6x；材料提到 LP 问题在 2.1B nonzeros 上限的设置下。
• Kinaxis 报告称，在一个超过 135M 变量 的 CPG 供应链模型上，使用八张 NVLink 连接的 H100 GPU，获得 3.3x 加速。
• PSR 展示在 185M 变量 的随机能源扩展模型上，使用八张 B200 GPU，获得 超过 5x 加速。
• 文章还提到经典 LP 问题 zib03（Thorsten Koch，2008，超过 104M nonzeros）；cuOpt 用多 GPU mPDLP 求解该问题，材料称求解速率比一年前接近 10x 更快。
• 背景信息：cuOpt GPU 加速决策优化已在单 GPU 上，对大规模 LP 比 CPU 求解器提供 超过 10x 加速。

为什么重要

• 供应链和能源等场景正需要更大模型、更多约束和更多不确定性；单 GPU 的时间和内存瓶颈会限制可求解规模。
• mPDLP 把 1 亿变量以上 LP 分布到多 GPU，可能让过去不切实际的大规模规划问题在规划窗口内求解。
• 与已有相关卡片的关系：已有卡片提到 Palantir 与 NVIDIA 用 Nemotron 和 Foundry 编码供应链分配专家判断，并使用 cuOpt 求解 MILP；本条增量不在应用层，而在 cuOpt 求解器底层，即从单 GPU 大规模 LP 扩展到多 GPU mPDLP，显示底层优化能力继续向更大规模延伸。
• 对产业叙事而言，这说明 GPU 加速决策优化正在从“单卡加速”走向“多卡分布式生产级大模型”，可与 Agentic AI / Generative AI 工作流结合，但具体集成效果待核实。

局限与不确定性

• 加速效果并非普遍成立，材料明确称性能随稀疏结构和 edge-cut ratio 变化；小规模问题可能没有明显收益。
• Kinaxis、PSR 的加速数据是合作方报告或展示，其具体模型、基线、端到端范围、硬件配置和公平性待核实。
• 材料提到 2.1B nonzeros，但这是测试/能力上限还是产品硬限制，待核实。
• mPDLP 是否已正式 GA、默认可用，支持哪些 GPU、驱动、CUDA、cuOpt 版本，以及生产部署要求，待核实。
• 成本、能耗、数值精度、收敛保证与失败模式，材料未充分展开，待核实。
• 来源材料包含 NVIDIA Nemotron 生成的 AI-generated summary，并提示重要信息需验证；本卡片中关键数字应回到原文核实。

可用于图书/PPT/简报的角度

• 规模阈值叙事：当 LP 非零元超过 10^7，多 GPU 分布式优化的收益开始明显，最大问题 PDLP steps 可达 11.4x。
• 从单卡到 NVLink 多卡：决策优化进入“1 亿变量以上”时代，瓶颈从 CPU 求解转向 GPU 内存带宽与跨 GPU 通信。
• 技术图解：PDLP 的 SpMV 热循环、memory-bound 特性、min-cut 二分图分区，以及它与 D-PDLP 2D 划分的差异。
• 案例对比：Kinaxis 在 135M+ 变量 CPG 供应链模型上用 8×H100 获 3.3x；PSR 在 185M 变量能源扩展模型上用 8×B200 获 5x+。
• 产业意义：供应链和能源规划可在规划窗口内纳入更大模型和更多不确定性。
• 串联既有脉络：把 cuOpt 底层求解、Palantir Foundry 专家知识沉淀、Nemotron 可解释建议串成“优化 + 知识 + 解释”的供应链 AI 图景。

原始材料

• 英文标题：Scaling Decision Optimization to 100 Million Variables and Beyond with mPDLP in NVIDIA cuOpt
• 来源：NVIDIA Technical Blog
• URL: https://developer.nvidia.com/blog/scaling-decision-optimization-to-100-million-variables-and-beyond-with-mpdlp-in-nvidia-cuopt
• 作者：Bulle Mostovoi, Preethi Maulik, Burcin Bozkaya, Rajath Narasimha
• 材料标注日期：Oct 07, 2026
• 英文关键词：NVIDIA cuOpt, mPDLP, PDLP, Multi-GPU, NVLink, NCCL, min-cut partitioning, SpMV, Linear Programming, D-PDLP, DGX B200, Kinaxis, PSR
• 说明：材料包含 AI-generated summary，提示重要信息需验证。