Computação de alto desempenho utilizando unidade de processamento gráfico

• Autor(a) principal: Silva, Alison Barros da
• Data de Publicação: 2008
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional do UniCEUB
• Texto Completo: https://repositorio.uniceub.br/jspui/handle/123456789/3325
• topic: Unidade de Processamento Gráfico; Graphics processing unit; GPGPU; High performance computing; Compute unified device architecture; CUDA; Movimento browniano; Equação de langevin generalizada

Nos últimos anos o hardware gráfico se desenvolveu além de suas funções fixas. Hoje existem placas gráficas completamente programáveis; novos ambientes de programação estão sendo desenvolvidos através de linguagens de programação de rá- pida curva de aprendizado, como a linguagem CUDA. Nas placas gráficas mais modernas são encontradas centenas de unidades de processamento (unidades lógicoaritméticas), tornando possível distribuir o poder de processamento de forma a resolver problemas complexos que seriam impossíveis de resolver utilizando um único núcleo de processamento, devido ao tempo de execução. O paralelismo oferecido pela arquitetura SIMD (Single Instruction Multiple Data) e a maior flexibilidade nas linguagens de programação deste tipo de hardware abrem novas possibilidades de aplicação, fato que vem chamando a atenção da comunidade científica. Neste trabalho, será mostrado uma simulação do movimento browniano correlacionado, implementado no hardware Geforce NVIDIA 9800 GTX com a plataforma de desenvolvimento CUDA SDK 2.0. Usando este hardware é possível resolver, em paralelo, um ensemble de partículas descrito pela Equação de Langevin Generalizada (ELG), que é uma equação integro-diferencial estocástica. Como a ELG é equivalente a equação do movimento de Heisenberg para um operador quântico, e também a dinâmica Hamiltoniana clássica, ela é útil para modelar fenômenos dinâmicos de interesse em muitas áreas do conhecimento como: difusão anômala, circuitos nanoeletrônicos, escoamento em meios desordenados, condução anômala etc. Os resultados mostram uma aceleração de 27 vezes para o código executando em GPU em comparação com um código otimizado executando em um processador Intel Q6600. Com esse resultado, é possível concluir que usar hardware gráfico para simulação de processos estocásticos é uma excelente opção, permitindo a solução de sistemas maiores, aumento de precisão dos resultados, abrindo novas possibilidades de pesquisa.