Neural-coprocessor umożliwia uruchomienie NVIDIA DLSS 5 na drugiej karcie graficznej. Spadek FPS znacząco maleje

Niegdyś prawdziwą gratką dla entuzjastów PC było posiadanie dwóch kart graficznych połączonych w SLI / NVLink, które w niektórych przypadkach potrafiły znacząco zwiększyć wydajność w grach. Po zakończeniu tej ery, temat wykorzystania wielu GPU co jakiś czas powraca za sprawą projektów społeczności, takich jak Lossless Scaling. Wraz z pojawieniem się w sieci bibliotek NVIDIA DLSS 5, koncepcja ta ponownie zyskała na znaczeniu za sprawą Neural-coprocessor.

Neural-coprocessor to projekt, który umożliwia uruchomienie NVIDIA DLSS 5 na drugiej karcie graficznej, odciążając pierwszą z nich. Spadek FPS znacząco maleje do 0-17%. Jednak rozwiązanie to posiada dużą liczbę ograniczeń.

Jak włączyć DLSS 5 w grach bez obsługi tej technologii? To banalnie proste, a efekty bywają imponujące. Poradnik i galeria screenów

Neural-coprocessor to projekt badawczy dostępny na GitHub, a nie gotowe rozwiązanie przeznaczone dla wszystkich entuzjastów techniki NVIDIA DLSS 5. Z czego wynikają jego ograniczenia, które wyjaśnię w dalszej części tekstu, jednak już na tym etapie projekt pokazuje kilka istotnych rzeczy dotyczących DLSS 5. Projekt daje ograniczoną możliwość rozdzielenia pracy pomiędzy dwie karty graficzne, przy czym nie odbywa się to w sposób znany z obecnie już archaicznych na rynku konsumenckim, rozwiązań SLI i NVLink. Założenie jest inne: pierwsza karta graficzna odpowiada za renderowanie gry oraz klasyczny upscaling DLSS, natomiast drugie GPU zajmuje się wyłącznie obliczeniami związanymi z DLSS 5 (Neural Rendering).

Test NVIDIA DLSS 5 w NBA 2K27 na GeForce RTX 5080 oraz GeForce RTX 5070 Ti Laptop. Szykuje się rewolucja w renderingu grafiki 3D

Rozwiązanie działa w oparciu o ReShade, dzięki czemu możliwe jest przechwycenie już wygenerowanej klatki obrazu, skopiowanie jej z pierwszego GPU na drugie, a następnie wykonanie na nim obliczeń związanych z DLSS 5. Niesie to jednak ze sobą istotne ograniczenie, drugie GPU otrzymuje wyłącznie gotową klatkę obrazu, bez dodatkowych danych udostępnianych przez silnik gry, takich jak informacje o geometrii, głębi czy oświetleniu. Informacja o wektorach ruchu jest natomiast wyznaczana na drugim GPU za pomocą Optical Flow, czyli bezpośrednio na podstawie zmian pomiędzy klatkami. Zatem końcowy efekt graficzny to dosłownie minimalne możliwości obecnego modelu DLSS 5.

The Blood of Dawnwalker, rozdzielczość FullHD (1920 x 1080),
użyte karty graficzne 2x NVIDIA GeForce RTX 5060 TI 16 GB

Jeżeli chodzi o wydajność, różnica względem normalnej implementacji tego rozwiązania jest zauważalna. Do testów wykorzystano The Blood of Dawnwalker, który prawdopodobnie został uruchomiony na ustawieniach Medium, na co wskazuje poziom FPS uzyskany na karcie NVIDIA GeForce RTX 5060 Ti 16 GB. Bazą porównawczą jest włączony upscaling DLSS, ale bez Neural Renderingu (DLSS 5). Włączenie Neural Renderingu (DLSS 5) na pierwszej karcie, a więc równocześnie z rasteryzacją oraz upscalingiem DLSS, obniża wydajność o około 36-59%. Natomiast przeniesienie Neural Renderingu (DLSS 5) na drugą kartę graficzną całkowicie niweluje stratę w przypadku DLAA, a w pozostałych trybach ogranicza ją do około 8-17%.

NVIDIA DLSS 5 będzie oficjalnie obsługiwana przez karty graficzne GeForce RTX 4000. Co z układami Ampere i Turing?

Z racji tego, że Neural Rendering (DLSS 5) pracuje na drugim GPU, jego temperatura wzrosła o około 10°C. Jednocześnie temperatura pierwszej karty graficznej spadła aż o 21°C. Biorąc pod uwagę współczesną budowę układów GPU firmy NVIDIA, możemy w pewnym uproszczeniu powiedzieć, że podczas grania bez Ray / Path Tracingu, upscalingu DLSS oraz DLSS 5 wykorzystujemy mniej więcej połowę potencjału GPU. Uruchomienie wspomnianych technik aktywuje jednostki Tensor, które zwiększają zapotrzebowanie układu na energię. W praktyce przekłada się to na wyższy pobór mocy i dobijanie do limitów mocy GPU oraz zauważalny wzrost temperatury. Jest to zjawisko, które obecnie jest szeroko komentowane przez entuzjastów PC.

NVIDIA wydała hotfix 616.86 dla kart graficznych GeForce, który naprawia uciążliwe problemy z migotaniem ekranu

Wracając do Neural-coprocessor, projekt nie jest obecnie pozbawiony istotnych ograniczeń. Pierwszym z nich jest obsługa wyłącznie gier korzystających z D3D12, czyli DirectX 12. Oznacza to, że gry wykorzystujące Vulkan oraz starsze API renderowania pozostają poza jego zasięgiem. Drugim ograniczeniem jest konieczność zastosowania dwóch kart graficznych połączonych z płytą główną za pośrednictwem interfejsu co najmniej PCIe x8 dla każdego z GPU. Trzecim jest konieczność podłączenia dwóch monitorów, po jednym do każdej karty graficznej. Wynika to z faktu, że uruchomienie pierwszej karty, odpowiedzialnej za rasteryzację i upscaling, bez własnego wyświetlacza powoduje spadek wydajności o 33%. Teoretycznie można byłoby spróbować obejść ten wymóg za pomocą HDMI / DisplayPort Dummy Plug, jednak obecnie nie wiadomo, jakie rezultaty przyniosłoby takie rozwiązanie.

NVIDIA Multi Frame Generation dzięki moderom działa na układach graficznych GeForce RTX 4000 i to działa bardzo dobrze

Czwartą kwestią jest konieczność pozyskania we własnym zakresie bibliotek związanych z DLSS 5: nvngx.dll oraz nvngx_dlssnr.dll. Neural-coprocessor ich nie dostarcza, dlatego użytkownik musi skorzystać z zewnętrznych rozwiązań, takich jak DLSS5OneClick czy DLSS 5 Swapper. Piątym ograniczeniem jest bardzo wąski zakres przeprowadzonych testów sprzętowych. Projekt był testowany wyłącznie na kartach NVIDIA GeForce RTX 5060 Ti 16 GB. Można spodziewać się odpowiedniego skalowania na mocniejszych układach, jednak konfiguracje mieszane (różne karty graficzne od NVIDIA lub AMD) nie zostały przetestowane, dlatego ich zachowanie pozostaje niewiadomą. Ostatecznie pozostaje kwestia opóźnienia. Każdy przebieg etapu renderowania neuronowego (DLSS 5) na drugiej karcie graficznej wprowadza dodatkowo około 8,3 ms czasu przetwarzania, co jest szczególnie istotne w przypadku rozwiązania, które samo w sobie już zwiększa opóźnienia. Autor projektu zaznacza jednak, że nie przeprowadzał pomiarów photon-to-photon, czyli opóźnienia pomiędzy kliknięciem a pojawieniem się rezultatu na ekranie.