הבית > תערוכה > תוכן

אינטל גרפיקה טכנולוגיית עיבוד זרם GPU למטרות כלליות (GPGPU)

Mar 12, 2019

זה הופך נפוץ יותר ויותר לשימוש כללי יחידת עיבוד גרפיקה (GPGPU) כמו צורה שונה של מעבד זרם (או מעבד וקטור), פועל גרעיני מחשוב. תפיסה זו הופכת את הכוח החישובי המאסיבי של הצינור המודרני למאיץ הגרפי של המאיץ אל כוח המחשוב הכללי, בניגוד לקושי חרוץ לביצוע פעולות גרפיות בלבד. ביישומים מסוימים הדורשים פעולות וקטור מסיביות, זה יכול להניב מספר פקודות בסדר גודל גבוה יותר מאשר מעבד קונבנציונאלי. שני הבדידים הגדולים ביותר (ראה "כרטיסי גרפיקה ייעודיים" לעיל) מעצבי GPU, AMD ו Nvidia, מתחילים לנקוט בגישה זו עם מגוון של יישומים. שניהם Nvidia ו AMD יש teamed עם אוניברסיטת סטנפורד כדי ליצור לקוח מבוסס GPU עבור קיפול הביתה מופץ פרויקט המחשוב, עבור חישובים קיפול חלבון. בנסיבות מסוימות GPU מחשבת ארבעים פעמים מהר יותר מאשר במעבדים קונבנציונאלי בשימוש מסורתי על ידי יישומים כאלה.


GPGPU ניתן להשתמש עבור סוגים רבים של משימות מקבילות מביך כולל הקרנה ריי. הם מתאימים בדרך כלל לחישובים מסוג תפוקה גבוהה המפגינים נתוני מקבילות כדי לנצל את רוחב הווקטור רחב הארכיטקטורה SIMD של GPU.


יתר על כן, מחשבים מבוססי GPU מבוססי ביצועים מתחילים לשחק תפקיד משמעותי במידול בקנה מידה גדול. שלושה מתוך 10 מחשבי העל החזקים ביותר בעולם מנצלים את האצת GPU.


GPU תומך הרחבות API שפת תכנות C כגון OpenCL ו OpenMP. יתר על כן, כל ספק GPU הציג API משלה אשר עובד רק עם הכרטיסים שלהם, AMD APP SDK ו CUDA מ AMD ו Nvidia, בהתאמה. טכנולוגיות אלה מאפשרות פונקציות ספציפיות הנקראות גרעיני חישוב מתוכנית C רגילה לפעול במעבדי הזרם של GPU. זה מאפשר לתוכניות C לנצל את היכולת של GPU לפעול על מאגרים גדולים במקביל, תוך עדיין באמצעות המעבד, לפי הצורך. CUDA הוא גם ה- API הראשון המאפשר ליישומים מבוססי CPU לגשת ישירות למשאבים של GPU למחשוב מטרה כללית יותר ללא המגבלות של שימוש בממשק API של גרפיקה. [Citation needed]


מאז 2005 יש עניין בשימוש בביצועים המוצעים על ידי GPUs עבור חישוב אבולוציוני בכלל, וכן להאיץ את הערכת כושר בתכנות גנטי בפרט. רוב הגישות לקמפל ליניארי או עץ תוכניות במחשב המארח ולהעביר את ההפעלה ל GPU להיות לרוץ. בדרך כלל יתרון הביצועים מתקבל רק על ידי הפעלת התוכנית הפעילה היחידה בו זמנית על בעיות רבות בדוגמה מקבילה, תוך שימוש בארכיטקטורת ה- SIMD של GPU. [68] [69] עם זאת, האצה משמעותית ניתן גם להשיג על ידי לא להרכיב את התוכניות, במקום להעביר אותם GPU, לפרש שם. האצה אז ניתן להשיג על ידי או לפרש תוכניות מרובות בו זמנית, בעת ובעונה אחת מפעיל מספר בעיות לדוגמה, או שילובים של שניהם. GPU מודרני יכול בקלות בו זמנית לפרש מאות אלפי תוכניות קטנות מאוד.


כמה תחנות עבודה מודרניות GPUs, כגון Nvidia Quadro תחנות עבודה באמצעות ארכיטקטורות וולטה ו טיורינג, תכונה הקדש ליבות עיבוד עבור יישומים מבוססי למידה עמוק tensor. בסדרה הנוכחית של Nvidia של GPUs ליבות אלה נקראים Tensor Cores. GPUs אלה יש בדרך כלל ביצועים משמעותיים FLOPS מגדילה, תוך ניצול כפל מטריקס 4x4 וחלוקת, וכתוצאה מכך ביצועי החומרה של עד 128 TFLOPS ביישומים מסוימים. אלה ליבות tensor הם גם אמורים להופיע כרטיסי הצרכן פועל הארכיטקטורה טיורינג, ואולי בסדרת Navi של כרטיסי הצרכן מ AMD.