MATLAB-GPU-Computing auf RTX PRO Blackwell und H200 NVL: Releases, FP64 und Server

Voraussetzungen für MATLAB-GPU-Berechnungen auf RTX PRO Blackwell und H200 NVL

MATLAB unterstützt NVIDIA-RTX-PRO-Blackwell-Karten ab Release R2026a nativ, und die H200 NVL, eine Hopper-Karte mit Compute Capability 9.0, liegt im unterstützten Bereich jedes Release, dessen Liste wir gelesen haben. Die Wahl zwischen beiden hängt von der Genauigkeit ab, in der Ihr Code rechnet. MATLAB nutzt doppelte Genauigkeit, solange nichts anderes festgelegt ist, und die RTX-PRO-Karten haben wenige FP64-Einheiten; unveränderter MATLAB-Code auf großen Arrays läuft daher oft auf einer H200 NVL schneller, während auf einfache Genauigkeit umgestellter Code auf einer RTX PRO 6000 Blackwell Server Edition am schnellsten läuft.

Diese Seite beschreibt die Regeln je Release, die Genauigkeitsfrage mit den Zahlen von NVIDIA und die Server-Varianten für ein Team. Alle Aussagen von MathWorks stammen aus der Dokumentation R2026b und aus MATLAB Answers, wo wir das MathWorks Support Team und Mitarbeitende von MathWorks zitieren, gelesen am 25. Oktober 2026; die GPU-Werte stammen von den Produktseiten von NVIDIA und aus dem Architektur-Whitepaper zu RTX Blackwell PRO.

Welches MATLAB-Release eine Blackwell-GPU nutzt

Die Antwort von MathWorks auf die Frage, ob eine Blackwell-Karte für GPU-Computing funktioniert, zuletzt bearbeitet am 3. Juni 2026, ist kurz: „Full native support for Blackwell architecture cards is available from R2026a with CUDA 12.8.“ Die Systemanforderungen von R2026b halten fest, dass MATLAB „supports NVIDIA GPU architectures with compute capability 7.5 to 12.x“. Jede RTX-PRO-Blackwell-Karte hat 12.0, die H200 NVL 9.0, L40S und L4 haben 8.9.

Die H200 NVL (9.0) liegt in den Bereichen von R2025a und R2026b; für die übrigen Releases haben wir die Anforderungsseite nicht geöffnet. Antwort des MathWorks Support Team „Can I use my NVIDIA Blackwell architecture GPU with MATLAB for GPU computing?“ (bearbeitet am 3. Juni 2026); GPU-Computing-Anforderungen R2026b; Thread auf MATLAB Answers zu Karten der RTX-50-Serie und R2025a, mit Antworten von MathWorks-Mitarbeitenden vom Juli 2025 und März 2026. Gelesen am 25. Oktober 2026.

Für R2025a erklärte die akzeptierte Antwort in einem Thread auf MATLAB Answers vom Juli 2025, das Release sei in die Vorabphase gegangen, bevor die Karten der RTX-50-Serie erschienen; ein Entwickler von MathWorks ergänzte, MathWorks aktualisiere seine CUDA-Bibliotheken für eine neue Architektur üblicherweise nicht „less than six months before release“, weil das „invasive and risky“ sei. R2025b erschien ebenfalls ohne native Unterstützung, wie Nutzer im selben Thread im September 2025 berichteten. Auf die Frage im März 2026, ob R2026a Blackwell nativ unterstützen werde, antwortete der MathWorks-Entwickler „Yes“.

Der Bereich von R2026b beginnt bei Compute Capability 7.5. Nach unserer Lesart fällt eine V100 mit 7.0 heraus; unser Leitfaden zum Ersatz der V100 nach CUDA 13 behandelt die Nachfolger.

Forward Compatibility in älteren Releases

MATLAB-Code vor R2026a erreicht eine Blackwell-Karte über Forward Compatibility. MathWorks beschreibt den Mechanismus: „MATLAB GPU code is forward compatible to future architectures using a byte-code representation“, die der Grafiktreiber zur Laufzeit übersetzt, und auf einer Karte, für die der Code nicht übersetzt wurde, entsteht eine kurze einmalige Verzögerung („a brief one-time delay“), während der Byte-Code übersetzt und zwischengespeichert wird. Seit R2020b ist sie optional, „as performance and behavior may vary“.

Die Funktionsreferenz zu parallel.gpu.enableCUDAForwardCompatibility nennt die Einzelheiten:

• parallel.gpu.enableCUDAForwardCompatibility(true) schaltet sie ein; der Standard ist false;
• die Einstellung bleibt nicht über MATLAB-Sitzungen hinweg erhalten („is not persistent between MATLAB sessions“); die Umgebungsvariable MW_CUDA_FORWARD_COMPATIBILITY erhält sie über Sitzungen hinweg, was für Batch-Jobs und Cluster-Worker wichtig ist;
• MathWorks empfiehlt, CUDA_CACHE_MAXSIZE auf mindestens 536870912 (512 MB) zu setzen, damit die übersetzten Bibliotheken im Cache des Treibers bleiben;
• die Warnung: „Enabling forward compatibility can result in wrong answers and unexpected behavior during GPU computations.“

Der oben zitierte MathWorks-Entwickler schrieb im Juli 2025: „I haven't yet seen any problems with MATLAB R2024b and R2025a running on Blackwell in forward compatibility mode.“ Das ist ein Erfahrungsbericht, keine Supportzusage. Für validierte Ergebnisse auf RTX PRO Blackwell planen Sie mit R2026a oder neuer; muss ein Projekt auf einem älteren Release bleiben, lassen Sie seine Testsuite mit eingeschalteter Forward Compatibility laufen und vergleichen Sie die Ergebnisse vor dem produktiven Einsatz mit einem Lauf auf der CPU. validateGPU, verfügbar seit R2024b, prüft die Einrichtung. Die allgemeinen CUDA-Regeln für übersetzten Code und PTX und den Fehler „no kernel image“, wenn keins von beiden passt, erklärt unser Leitfaden zum Beheben von sm_120-Fehlern auf Blackwell.

Doppelte Genauigkeit (double precision) ist der Standard in MATLAB

„By default, MATLAB represents floating-point numbers in double precision“, hält die MATLAB-Dokumentation fest. Daten, die aus gewöhnlichen MATLAB-Variablen auf die GPU wandern, sind daher double, und der meiste MATLAB-Code auf einer GPU rechnet in FP64, sofern ihn niemand umgestellt hat. Der Leitfaden von MathWorks zur Messung der GPU-Leistung (R2026b) schreibt, Sie „can improve the performance of code running on your GPU by calculating in single precision instead of double precision“, und „Most desktop GPUs have 24, 32, or even 64 times as many single-precision floating-point units as double-precision“. Er ergänzt, dass lineare Algebra typischerweise doppelte Genauigkeit braucht, während Bildverarbeitung und maschinelles Lernen zu einfacher Genauigkeit passen. Die Eigenschaft SingleDoubleRatio von gpuDevice meldet das Verhältnis der verwendeten Karte.

Die Karten unterscheiden sich in FP64 um mehr als den Faktor zehn:

Produktseite H200 von NVIDIA (H200 NVL außerdem 60 TFLOPS FP64 Tensor Core) sowie Produktseiten und Datenblätter der RTX PRO; FP64 der RTX PRO nach unserer Rechnung aus dem Architektur-Whitepaper RTX Blackwell PRO v1.0 („The FP64 TFLOP rate is 1/64th the TFLOP rate of FP32 operations“). Für die RTX PRO 5000 haben wir keinen FP64-Wert von NVIDIA gefunden. Gelesen am 24. und 25. Oktober 2026.

Welcher Wert zählt, hängt von der Operation ab. Elementweise Arbeit auf großen Arrays, etwa A.*B + C oder ein Stencil-Update, bewegt mehr Daten, als sie rechnet, und die Speicherbandbreite bestimmt das Tempo: In doppelter Genauigkeit ist die H200 NVL nach unserer Rechnung etwa dreimal so schnell wie eine RTX PRO 6000 Server Edition (4,8 gegenüber 1,6 TB/s). Matrixprodukte, mldivide und Eigenwertprobleme auf großen dichten Matrizen sind typischerweise rechengebunden, und in doppelter Genauigkeit ergeben die 30 TFLOPS der H200 NVL gegenüber etwa 1,9 einen Faktor von etwa 16. In einfacher Genauigkeit kehrt sich die Reihenfolge um: 120 TFLOPS FP32 auf der RTX PRO 6000 Server Edition gegenüber 60 auf der H200 NVL, während elementweise Arbeit weiter der Bandbreite folgt. Unser Vergleich von FP64-GPU-Servern erklärt die Schwelle in Operationen pro Byte, die dahinter steht.

cuBLAS von NVIDIA kann ab CUDA 13.0 Update 2 FP64-Matrixprodukte auf den Tensor Cores von Blackwell emulieren, wie dieser Vergleich beschreibt. MATLAB R2026a ist auf CUDA 12.8 gebaut, und wir haben keine Aussage von MathWorks gefunden, dass MATLAB die Emulation nutzt; rechnen Sie also nicht damit.

Wir bauen Server mit H200 NVL für MATLAB-Arbeit in doppelter Genauigkeit und mit RTX PRO 6000 Server Edition für einfache Genauigkeit und Deep Learning; senden Sie uns Ihr MATLAB-Release, die Toolboxen und eine typische Array-Größe, und unser Team antwortet mit dem passenden Kartentyp und der Kartenzahl.

Einfache oder doppelte Genauigkeit für Ihren Code

Die Umstellung auf einfache Genauigkeit verändert das numerische Verhalten des Codes; darüber entscheidet die Fachabteilung, nicht die IT. MathWorks nennt den Weg: Daten mit single erzeugen oder einer Erzeugungsfunktion wie rand „single“ und „gpuArray“ übergeben. Drei Fälle:

1. Bildverarbeitung und Deep Learning. MathWorks nennt Bildverarbeitung und maschinelles Lernen als Aufgaben, die zu einfacher Genauigkeit passen. Sie laufen auf RTX-PRO-Karten.
2. Lineare Algebra. MathWorks vermerkt, dass sie typischerweise doppelte Genauigkeit braucht, und Löser auf großen dichten Matrizen sind der Fall, in dem die FP64-Rate der H200 NVL der Grund für ihren Kauf ist.
3. Gemischter Code. Profilieren Sie ihn: gputimeit misst GPU-Code korrekt, weil es „ensures that all operations on the GPU are complete before recording the time“. Führen Sie dasselbe Skript in beiden Genauigkeiten auf einer Karte aus und vergleichen Sie Ergebnisse und Zeit pro Schritt.

Die Speichergrößen folgen aus 8 Byte pro double und 4 pro single: Eine Matrix mit 50.000 × 50.000 Elementen belegt nach unserer Rechnung 20 GB in double und 10 GB in single. Löser brauchen zusätzlich Arbeitsspeicher, lassen Sie also Platz. Die 141 GB der H200 NVL fassen auf einer Karte größere Probleme in doppelter Genauigkeit als die 96 GB einer RTX PRO 6000.

Deep Learning Toolbox und mehrere GPUs

trainingOptions in MATLAB (R2026b) wählt die Hardware mit ExecutionEnvironment: „gpu“ nutzt die lokale GPU, „multi-gpu“ nutzt „multiple GPUs on one machine, using a local parallel pool based on your default cluster profile“, und „parallel-gpu“ nutzt GPUs in einem lokalen oder entfernten Pool. Alle GPU-Optionen „require Parallel Computing Toolbox“, und die Dokumentation ergänzt: „To use a GPU for deep learning, you must also have a supported GPU device.“ Für Training in einfacher Genauigkeit passen die FP32-Rate und die 96 GB pro Karte der RTX PRO 6000 Server Edition; für MATLAB-Code, der Deep Learning mit Vorverarbeitung in doppelter Genauigkeit verbindet, trägt ein H200-NVL-Server beides.

Für allgemeinen GPU-Code auf mehreren Karten schreibt die Seite von MathWorks zum Ausführen von Funktionen auf mehreren GPUs: „By default, MATLAB assigns a different GPU to each worker for best performance“, und empfiehlt einen Parallel Pool „with as many workers as GPUs available“. gpuDeviceCount liefert die Zahl, und parfeval führt Arbeit asynchron auf den Workern aus. Ein Server mit acht Karten ergibt also einen Pool aus acht GPU-Workern oder acht Nutzer mit je einer Karte.

Ein GPU-Server für ein MATLAB-Team mit MATLAB Parallel Server

Viele F&E-Abteilungen beginnen mit MATLAB auf Desktop-PCs und einigen Workstation-Karten und wechseln zu einem gemeinsamen GPU-Server, wenn die Jobs wachsen. MathWorks beschreibt MATLAB Parallel Server als Produkt, das „lets you scale MATLAB programs and Simulink simulations to clusters and clouds“. Es bringt einen eigenen Scheduler mit, den MATLAB Job Scheduler, oder arbeitet mit einem vorhandenen wie Slurm, und das „desktop license profile is dynamically enabled on the cluster“. Lizenzen werden pro Worker gezählt; die Zahl der GPU-Worker ist damit auch eine Lizenzfrage für Ihren Ansprechpartner bei MathWorks.

unsere Konfigurationen und Schätzungen der Leistungsaufnahme wie in unseren Leitfäden zu zwei RTX PRO 6000 und vier und acht H200 NVL (Karten mit 600 W; zwei AMD EPYC 9135 bei zwei Karten, zwei EPYC 9355 bei vier, zwei EPYC 9555 bei acht; plus 15 Prozent); Worker-Zahl nach dem Standard von MathWorks mit einem Worker pro GPU. Planen Sie die Zuleitungen nach dem Wert des Serverherstellers.

Unser Referenz-Trainingsknoten trägt acht H200 NVL mit NVLink-Brücken, zwei AMD-EPYC-Prozessoren, 2,3 TB DDR5 ECC, acht NVMe-Laufwerke und 400G-Netzwerk; für MATLAB liefert er nach unserer Rechnung aus den 30 TFLOPS pro Karte von NVIDIA 240 TFLOPS FP64 in einem Gehäuse. Unsere Leitfäden zum Server mit 4× H200 NVL und zum Server mit 8× H200 NVL behandeln Gehäuse, Brücken und Leistungsaufnahme. Ein Team, das außerdem Modelle in einfacher Genauigkeit trainiert, kann Knoten mit RTX PRO 6000 Server Edition in denselben Scheduler aufnehmen, wie unser Leitfaden zu H200 NVL und RTX PRO 6000 in einer Plattform beschreibt, und unser Vergleich GPU-Server oder Workstations für ein Team wägt die Alternative mit einer Karte pro Arbeitsplatz ab. Für einen einzelnen Nutzer nennt unsere Seite zur Workstation mit RTX PRO 5000 72 GB die Konfiguration.

Hinweise für den Betrieb: Die Anforderungsseite von MathWorks verlangt den neuesten Grafiktreiber, auf einem Server lesen wir das als neuestes Release eines Produktions- oder Langzeitzweigs, R595 oder R580; beide führen die H200 NVL und jede Edition der RTX PRO 6000, wie unser Leitfaden zu Treiberzweigen und CUDA-Versionen zeigt. Bei virtuellen GPUs verweist MathWorks an Ihren Systemadministrator, und Windows-Workstations, die rechnen, brauchen unter Umständen ein anderes Treibermodell, das unser Leitfaden zu WDDM, TCC und MCDM behandelt.

Wir bauen MATLAB-GPU-Server mit zwei, vier oder acht H200 NVL oder RTX PRO 6000 Server Edition auf Bestellung und installieren auf Wunsch Betriebssystem, Treiber und CUDA; beschreiben Sie Ihre MATLAB-Jobs, die Zahl der Nutzer und die Genauigkeit, in der sie rechnen, und wir antworten mit einer Konfiguration.

FAQ