Waarom is dit belangrijk?
Zware beeldberekeningen voor grote series van medische scanbeelden raken sneller klaar, zodat een opname tijdens het onderzoek eerder een bruikbaar beeld oplevert. In de zorg laten wetenschappelijke studies zien dat een tensor core het opbouwen van CT-beelden uit ruwe meetgegevens versnelt. In ziekenhuizen kunnen zorgverleners daardoor sneller een scan beoordelen, maar de lagere rekenprecisie vraagt extra controle op de beeldkwaliteit.
Zo werkt het in de praktijk
Nvidia plaatst een tensor core in datacenterchips zoals de Tesla V100 in het DGX-1-systeem. In computerspellen gebruikt het bedrijf die kernen voor Deep Learning Super Sampling. Die techniek verbetert beelden terwijl het spel zelf op een lagere resolutie rekent.
Onderzoekers bekijken hoe taalmodellen met weinig bits op een tensor core kunnen rekenen. Die kern ondersteunt niet elke precisie. Een studie splitst de matrices, rekent de stukken op de kern en voegt ze weer samen.
Teams koppelen de tensor core aan mixed precision, een werkwijze met halve en enkele precisie tegelijk. TensorFlow en PyTorch zetten lagen om naar halve precisie en schalen het verlies, zodat kleine correcties bij het trainen blijven bestaan.




