GPU与加速器计算在物理学中的应用
图形处理单元（GPU）及其他加速器拥有数千个轻量级核心，擅长物理模拟中的数据并行计算，为分子动力学、晶格和网格计算带来了巨大的加速。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
物理学中的GPU和加速器计算是指使用具有许多简单核心的高度并行协处理器来执行模拟中的数据并行内核，从而在合适的物理工作负载上实现高吞吐量。
Scope
本主题涵盖物理学中的加速器计算：大规模数据并行GPU模型、内存层次结构和内存访问模式的重要性、将力计算和模板更新等物理内核映射到加速器上，以及异构CPU-GPU编程的权衡。它同时涉及性能和可编程性。
Core questions
- 为什么GPU适合许多物理模拟的数据并行计算？
- GPU内存层次结构如何影响可实现的性能？
- 哪些物理内核能很好地映射到加速器上，哪些不能？
- 异构CPU-GPU模拟是如何组织的？
Key theories
- 大规模数据并行执行
- GPU在不同数据上通过数千个线程运行相同的操作，这与将相同更新应用于许多粒子或网格点的模拟相匹配，从而带来巨大的吞吐量增益。
- 内存层次结构和访问模式
- GPU性能取决于合并内存访问和有效利用快速片上内存，因此必须重构算法以确保许多核心持续获得数据，而不是因内存停滞。
- 加速的物理内核
- 分子动力学中的力评估、网格求解器中的模板更新以及场论中的晶格更新已被移植到GPU上，实现了数量级的加速，早期的完全基于GPU的分子动力学就证明了这一点。
Clinical relevance
GPU加速是现代分子动力学、格点量子色动力学和天体物理模拟的主要动力，同样的硬件也支撑着越来越多地用于分析和加速物理计算的机器学习工作流程。
History
通用GPU计算在2000年代后期随着可编程着色器和CUDA平台的出现而兴起；物理学是早期采用者，2008年出现了完全基于GPU的分子动力学，随后是GPU加速的格点量子色动力学，使加速器成为超级计算机中的标准配置。
Key figures
- Wen-mei Hwu
- David Kirk
- Joshua Anderson
Related topics
Seminal works
- kirkhwu2016
- anderson2008
Frequently asked questions
- 为什么GPU对某些物理代码的加速效果显著，而对另一些则不然？
- 当相同的简单操作应用于大量数据且内存访问规则时（例如在力或模板更新中），GPU表现出色。具有大量分支、不规则内存访问或大型串行部分的程序代码受益甚微，甚至可能运行更慢。
- 在物理计算中，GPU是否取代了CPU？
- 不是。大多数大型模拟都是异构的，GPU用于繁重的数据并行内核，而CPU处理控制流、协调和不规则工作，因此两者是协同使用，而非相互取代。