Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Computer Methods in Materials Science

1 2016

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: KWN-model

Sortuj według:

Ogranicz wyniki do:

GPU implementation of Kampmann-Wagner numerical precipitation models

Jensen Ø., Lam H., Fjær H. G.

Computer Methods in Materials Science

2016

Vol. 16, No. 3

127--138

A Kampmann-Wagner type numerical precipitation model (KWN) has been implemented using NVIDIA's CUDA framework for numerical programming of the graphics processing unit (GPU). Different implementation strategies are discussed and subjected to performance measurements. We study two representative cases corresponding to a large and a small workload. The model is found to be well suited for a GPU implementation, provided that there is enough work to keep the device busy and the right parallelization strategy is chosen. For our hardware, we recommend a minimum work load of more than $2^{16}$ histogram bins (as the total of multiple histograms) which corresponds to 146 histogram bins per GPU core. When the KWN model is used in combination with other calculations that are processed by the CPU, the performance improvements can be such that the KWN model incurs only emph{negligible} additional execution time. Also if the KWN model is used standalone for a large case, the GPU implementation achieves good scalability and performance.

Model Kampmanna-Wagncra dla wydzieleń (KWN) został zaimplementowany za pomocą frameworku NVIDIA CUDA w numerycznym programie dla kart graficznych (GPU). W pracy przedyskutowano różne strategie implementacji i oceniono wydajność poszczególnych rozwiązań. Badano dwa reprezentatywne przypadki odpowiadające małemu i dużemu obciążeniu obliczeniowemu. Zauważono, że model jest odpowiedni dla implementacji GPU, zakładając że obciążenie jest wystarczające aby procesory były obciążone i że wybrana jest odpowiednia strategia zrównoleglenia. Dla urządzeń użytych w pracy zarekomendowano minimalne obciążenie 2"’ histogramów czyli dyskretyzowanych cząstek (jako sumę wszystkich histogramów), co odpowiada 146 histogramów na jedną GPU. Kiedy model KWN jest połączony z innymi obliczeniami prowadzonymi na GPU, poprawa wydajności może być uzyskana dzięki temu że model KWN wykorzystuje tylko niewielką część czasu procesora. Ponadto, jeżeli model KWN jest wykorzystany oddzielnie dla dużego zadania, implementacja GPU osiąga dobrą skalowalność i wydajność.