利用GPU值得吗？

Question

我希望计算受特定势能影响的粒子的轨迹，这是一个典型的N体问题。我一直在研究利用GPU（例如CUDA）的方法，并且它们似乎有益于具有大N（20000）的模拟。这是有道理的，因为最昂贵的计算通常是找到力。然而，我的系统将具有“低”N（少于20），许多不同的势能/因素和许多时间步骤。将此系统移植到GPU是否值得？

根据使用CUDA进行快速N-Body模拟文章，似乎为不同的计算（如加速度和力）使用不同的内核是有效的。对于低N系统，由于每个时间步骤都需要为每个内核从设备复制和检索数据，因此从设备复制和检索数据的成本实际上是相当显著的。

非常感谢您的任何想法。

- user1699186

---

GFOR循环正是针对这类问题（数据规模小但迭代次数多）而设计的。在ArrayFire中查看它（我是其中一位开发人员）：http://www.accelereyes.com/arrayfire/c/page_gfor.htm - arrayfire

请注意，随着即将到来的C++17，您可以使用相同的代码和不同的parallell_for属性尝试两个选项。 - einpoklum

Answer 1

如果你需要并行模拟少于20个实体，我建议使用普通的多核CPU进行并行处理，不必考虑使用GPU。使用多核CPU编程更容易，避免将所有操作转换为GPU操作的步骤。此外，正如你已经提到的，使用GPU在这种小规模进程中性能收益很小（甚至可能是负面的）。

- Peladao

Answer 2

在时间步骤之间，无需将结果从设备复制到主机再返回。只需在GPU上运行整个模拟，并在计算了几个时间步骤后才将结果复制回来。

您需要运行多少不同的电位模拟？是否足够使用N体示例中的结构并仍然加载整个GPU？

如果不是，并且假设电位计算很昂贵，我认为最好使用每对粒子一个线程，以使问题足够并行化。如果您为每个潜力设置使用一个块，则可以将力写入共享内存，__syncthreads()，并使用块的线程子集（每个粒子一个）来求和力。再次使用__syncthreads()，并继续下一个时间步骤。

如果电位计算不昂贵，可能值得先探索您的模拟的主要成本在哪里。

- tera