С GPU AMD можно исследовать древовидное генетическое программирование EvoGP без отдельного поискового движка. PR #12, включённый 17 июня 2026 года UTC (18 июня по Пекину), добавляет путь через ROCm/HIP. Изменение касается сборки расширения и сохранения смысла программ при исполнении.

Концептуальная иллюстрация: единое представление пересекает границы GPU-бэкендов.
Один исходный код для CUDA и ROCm
Июньская интеграция использует HIP-преобразование PyTorch при сборке CUDA-расширений для AMD. Параметры выбираются по бэкенду, а CUDA-специфичный заголовок защищён. С ROCm PyTorch не требуется отдельная реализация алгоритмов.
Динамическое выделение стеков интерпретатора заменено локальными массивами фиксированного размера. Автор связал ошибки AMD с наложением выделенной памяти между одновременно резидентными wavefront. Отдельные стеки необходимы: чужое временное состояние может исказить fitness и последующий отбор.
Перевод исходников ядер — лишь часть сборки
HIP-преобразование PyTorch переводит CUDA-код, но аргументы всё равно поступают компилятору устройства. Параметры NVIDIA нельзя напрямую передать hipcc. Настройка сохраняет список CUDA и использует -O3 в ветке ROCm; отдельная защита закрывает заголовок, доступный только в CUDA. ROCm PyTorch обеспечивает преобразование, но EvoGP должен согласовать с ним и конфигурацию сборки. Изменения сборки
Подготовить окружение нужного бэкенда
Инструкция по исходникам требует подходящих GPU-инструментов, компилятора C++ и PyTorch. Для AMD используются ROCm с hipcc и ROCm PyTorch. Сборка через --no-build-isolation использует уже установленную среду PyTorch.
Примеры сохраняют строки устройства cuda под ROCm — так устроен интерфейс PyTorch. PYTORCH_ROCM_ARCH выбирает конкретную архитектуру AMD. Это настройка сборки, а не переписывание деревьев или эволюционных операторов.
Запустить тот же поиск на проверенном бэкенде
Автор сообщает о проверках на MI250X, W7800, RX 9070 XT и PRO V710 с указанными в PR ОС и версиями ROCm. Использованы 1 000 особей, 100 поколений и фиксированный seed. Это результаты для этих конфигураций, не универсальная гарантия производительности.
python -m evogp.sr_test
Для символьной регрессии сначала проверьте сборку и завершение небольшого регрессионного теста с конечной приспособленностью. Проверки автора охватывают wave32 и wave64 и сообщают о совпадающих траекториях при фиксированном seed, а не о новом универсальном ускорении. Сохраняйте данные, популяцию и seed при сравнении своего оборудования. Обзор EvoGP объясняет представление программ, а более позднее исправление отчётности касается другой составляющей времени поколения.