ИСПОЛЬЗОВАНИЕ ГРАФИЧЕСКИХ ПРОЦЕССОРОВ В МАССОВЫХ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЯХ
Универсальные процессоры (CPU) созданы для исполнения одного потока последовательных инструкций с максимальной производительностью, а графические процессоры (GPU) проектируются для быстрого исполнения большого числа параллельно выполняемых потоков инструкций.
Для увеличения производительности CPU стараются добиться выполнения как можно большего числа инструкций параллельно. Начиная с процессоров Intel Pentium, появилось суперскалярное выполнение, обеспечивающее выполнение двух инструкций за такт. Но у параллельного выполнения последовательного потока инструкций есть определённые базовые ограничения и увеличением количества исполнительных блоков кратного увеличения скорости не добиться.
Алгоритмы, реализуемые видеочипами, обладают естественным параллелизмом. Видеочип принимает на входе группу полигонов, проводит все необходимые операции, и на выходе выдаёт пиксели. Обработка полигонов и пикселей независима, их можно обpaбатывать параллельно, отдельно друг от друга. Высокая степень параллелизма в GPU вызывает необходимость использования большого количества исполнительных блоков, которые легко загрузить, в отличие от последовательного потока инструкций для CPU. Кроме того, современные GPU также могут исполнять больше одной инструкции за такт.
В универсальных процессорах большая часть транзисторов и площади чипа идут на буферы комaнд, аппаратное предсказание ветвления и огромные объёмы внутри чиповой кэш-памяти. Все эти аппаратные блоки нужны для ускорения исполнения немногочисленных потоков комaнд. Видеочипы тратят транзисторы на массивы исполнительных блоков, разделяемую память небольшого объёма и контроллеры памяти на несколько каналов. Вышеперечисленное не ускоряет выполнение отдельных потоков, оно позволяет чипу обpaбатывать нескольких тысяч потоков, одновременно исполняющихся чипом и требующих высокой пропускной способности памяти.
CPU снижают задержки доступа к памяти при помощи кэш-памяти большого размера. Видеочипы обходят проблему задержек доступа к памяти за счет готовности исполнения тысяч потоков. В то время, когда один из потоков ожидает данных из памяти, видеочип может выполнять вычисления другого потока без ожидания и задержек. Можно сказать, что в отличие от современных универсальных CPU, видеочипы предназначены для параллельных вычислений с большим количеством арифметических операций. И значительно большее число транзисторов GPU работает по прямому назначению ‒ обработке массивов данных, а не управляет исполнением немногочисленных последовательных вычислительных потоков. На рисунке показаны соотношения объема чипа занимаемого разнообразной логикой в CPU и GPU.
Основой эффективного использования мощи GPU в научных и иных неграфических расчётах является распараллеливание алгоритмов на сотни исполнительных блоков, имеющихся в видеочипах. К примеру, множество приложений по молекулярному моделированию отлично приспособлено для расчётов на видеочипах, они требуют больших вычислительных мощностей и поэтому удобны для параллельных вычислений. А использование нескольких GPU даёт ещё больше вычислительных мощностей для решения подобных задач.
Выполнение расчётов на GPU показывает отличные результаты в алгоритмах, использующих параллельную обработку данных. При этом лучшие результаты достигаются, если отношение числа арифметических инструкций к числу обращений к памяти достаточно велико.
Области применения параллельных расчётов на GPU. Это анализ и обработка изображений и сигналов, моделирование физических процессов, выполнение финансовых расчётов, ведение баз данных, моделирование динамики газов и жидкостей, криптография, астрономия, биоинформатика, цифровое кино и телевидение, геоинформационные системы, магнитно-резонансная томография, нейросети, искусственный интеллект, анализ спутниковых данных, сейсмическая разведка.
Статья в формате PDF
104 KB...
31 08 2026 15:14:47
Статья в формате PDF 119 KB...
30 08 2026 9:10:49
Статья в формате PDF
162 KB...
29 08 2026 2:58:45
Статья в формате PDF
129 KB...
28 08 2026 15:12:14
Статья в формате PDF
122 KB...
27 08 2026 6:19:25
Статья в формате PDF
97 KB...
26 08 2026 21:28:32
Статья в формате PDF
125 KB...
25 08 2026 16:10:13
Статья в формате PDF
300 KB...
24 08 2026 9:38:16
Статья в формате PDF
110 KB...
23 08 2026 9:11:45
Статья в формате PDF
193 KB...
22 08 2026 10:38:53
Статья в формате PDF
292 KB...
21 08 2026 3:36:53
Статья в формате PDF
285 KB...
20 08 2026 18:24:59
Статья в формате PDF
121 KB...
19 08 2026 10:43:26
Дана хаpaктеристика локализации и цитологических особенностей cart-пептидсодержащих нейронов, выявленных на территории кортико-медиальной группировки миндалевидного комплекса мозга
...
18 08 2026 6:41:21
Статья в формате PDF
137 KB...
17 08 2026 2:34:19
Статья в формате PDF
119 KB...
14 08 2026 15:10:30
Статья в формате PDF
276 KB...
13 08 2026 17:56:53
Статья в формате PDF
75 KB...
12 08 2026 9:16:41
Разработана методика определения констант диссоциации протонированных трехкислотных оснований, отличающаяся новым подходом к оценке и учету концентраций всех равновесных частиц, для расчета ионной силы раствора.
...
11 08 2026 5:53:28
Статья в формате PDF
151 KB...
10 08 2026 22:19:22
Статья в формате PDF
215 KB...
09 08 2026 13:37:52
В Федеральной службе по интеллектуальной собственности, патентам и товарным знакам осуществлена государственная регистрация оригинального алгоритма и базы данных «Drug», позволяющих прогнозировать новые виды действия известных лекарственных средств. Программа основана на сравнении набора квантово-химических и геометрических дескрипторов молекул методами многомерной статистики. Результаты работы алгоритма получили пpaктическое подтверждение для четырех препаратов.
...
08 08 2026 0:42:47
Статья в формате PDF
120 KB...
07 08 2026 12:33:54
Статья в формате PDF
129 KB...
06 08 2026 19:55:24
Явная неопределенность поведения сферы образования вызывает значимые риски. Во многом они связаны с самими экспертами и их группами, имеющими свои корпоративные интересы. Факторы риска промоделированы по статистическим данным идентификацией устойчивых закономерностей в виде тенденций (трендов) и показана методика анализа. Даны рейтинговые места экспертным оценкам. Анализ закономерностей показал, что в России нужно повышать чувствительность экспертов к реальной действительности, а также к адекватному представлению сценариев долгосрочной перспективы развития. Пока не будет результатов в реформах образования, нечего ждать и формирования инновационной экономики. Ведь из мировой пpaктики известно, цикл пассионарной активности опережает цикл экономического возрождения на 3–5 лет.
...
05 08 2026 13:14:18
Статья в формате PDF
371 KB...
04 08 2026 18:32:22
Статья в формате PDF
107 KB...
02 08 2026 11:45:25
Статья в формате PDF
107 KB...
01 08 2026 14:47:17
Статья в формате PDF
116 KB...
31 07 2026 8:55:56
Статья в формате PDF
206 KB...
30 07 2026 4:18:53
Статья в формате PDF
626 KB...
29 07 2026 17:33:13
Статья в формате PDF
93 KB...
28 07 2026 19:33:46
Статья в формате PDF
97 KB...
26 07 2026 16:20:24
Статья в формате PDF
120 KB...
25 07 2026 14:54:23
Статья в формате PDF
106 KB...
24 07 2026 21:26:36
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::
