Showcase · CUDA · CuPy

RoboterEvolution CUDA

Maximaler Speed: Vollständige Portierung der Simulation auf die Grafikkarte.

Der Quantensprung in der Performance

Die ursprüngliche Python-Version war bereits stark optimiert, aber die echte Magie passiert erst, wenn man das Problem hochparallelisiert. Ich habe das komplette RoboterEvolution Projekt vollständig auf CUDA portiert.

Eine komplette Lernphase (2500 Frames mit hunderten Robotern, Raycasting und Neural Networks) dauert jetzt nur noch unglaubliche 0.8 Sekunden!

Die KI-Revolution im Coding

"Vollständig alles in CUDA implementiert, Implementation in nur 30 Minuten in CUDA. Wer hätte das gedacht, hätte man mir das mal vor 4 Jahren erzählt hätte ich es nicht geglaubt, aber jetzt ist alles möglich, ich kenne überhaupt noch keine Grenzen."

100x bis 300x Schnellere Entwicklung

Ein klassisches, manuelles Architektur-Redesign von Python (AoS) auf GPU/CUDA (SoA) – inklusive Einarbeitung in SIMD-Architekturen, Memory Management und Custom C-Kernels für Raycasting \& Batched-Networks – würde einen Senior Developer ohne KI-Einsatz geschätzt 4 bis 7 Wochen (ca. 160–280 Arbeitsstunden) kosten. Dank meines Agent-First Workflows und tiefer Orchestrierungs-Erfahrung dauerte die komplette Transition, das strukturelle Redesign und das CUDA-Debugging weniger als eine Stunde. Das entspricht einer Entwicklungsbeschleunigung um den Faktor 100 bis 300.

CUDA Architektur

Durch den Einsatz von CuPy und maßgeschneiderten C-Kernels läuft die gesamte Simulationsschleife – inklusive Raycasting-Sensoren, Physik, Kollisionserkennung und Fitness-Evaluation – direkt auf der Grafikkarte. Im Headless-Trainingsmodus wird die Python-Schleife komplett umgangen. Die Positionen, Winkel und Lebensdaten aller 100+ Roboter werden als flache Arrays in den Grafikspeicher geladen.

graph TD subgraph CPU ["Host (Python / NEAT)"] A["NEAT-Populations & Genome"] --> B["CudaBatchedNetwork Compile"] B --> C{"Modus?"} end subgraph GPU ["Device (CuPy / CUDA C)"] D["d_sensor_inputs"] E["d_motor_outputs"] F["d_r_x, d_r_y, d_fitness"] K1["raycast_kernel"] K2["activate_batch_device"] K3["physics_kernel"] K1 -->|schreibt Sensordaten| D D -->|liest Inputs| K2 K2 -->|schreibt Motordaten| E E -->|liest Motoren| K3 F <-->|Liest/Schreibt State| K1 F <-->|Liest/Schreibt State| K3 end C -->|Turbo Training| G((Simulation Loop 2500x)) G --> K1 K3 --> G G -->|Generation Ende| H[Fitness zurücklesen] H --> A C -->|Visual Test| I[Frame by Frame Request] I --> K1 K3 --> J[State Copy to CPU] J --> Pygame[Pygame Rendering]

Nahtlose Visualisierung

Trotz des extremen Tempos auf der GPU bleibt die visuelle Pygame-Engine vollständig erhalten. Nach rasantem Training im Headless-Modus kann jederzeit in den "Visual Test" Modus geschaltet werden, bei dem die GPU-Daten Frame für Frame an die CPU zur Anzeige zurückgemeldet werden. Die Evolution wird durch die CUDA-Beschleunigung greifbar!

CUDA Code auf GitHub ansehen Zum Haupt-Blogartikel