Cuda 利用GPU值得吗？
我想计算粒子在一定势下的轨迹，一个典型的N体问题。我一直在研究利用GPU（例如CUDA）的方法，它们似乎有利于大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（小于20）、许多不同的电位/因子和许多时间步长。把这个系统移植到GPU值得吗 根据这篇文章，对于不同的计算（如加速度和力），使用不同的内核似乎是有效的。对于低N的系统，似乎从设备复制到设备的成本实际上是巨大的，因为对于每个时间步骤，必须为每个内核从设备复制和检索数据Cuda 利用GPU值得吗？,cuda,gpu,simulation,Cuda,Gpu,Simulation,我想计算粒子在一定势下的轨迹，一个典型的N体问题。我一直在研究利用GPU（例如CUDA）的方法，它们似乎有利于大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（小于20）、许多不同的电位/因子和许多时间步长。把这个系统移植到GPU值得吗 根据这篇文章，对于不同的计算（如加速度和力），使用不同的内核似乎是有效的。对于低N的系统，似乎从设备复制到设备的成本实际上是巨大的，因为对于每个时间步骤，必须为每个内核从设备复制和检索数据 如果您有任何想法，我们
如果您有任何想法，我们将不胜感激。无需在时间步长之间将结果从设备复制到主机。只需在GPU上运行整个模拟，并仅在计算了几个时间步长后将结果复制回来 对于多少种不同的电位，您需要运行模拟？足够使用N-body示例中的结构并仍然加载整个GPU吗 如果不是，并且假设势计算是昂贵的，我认为最好对每对粒子使用一个线程，以便使问题足够平行。如果使用“每个电势一个块”设置，则可以将力写入共享内存，\uuu syncthreads（），并使用块线程的子集（每个粒子一个）对力求和__再次执行syncthreads（），并继续执行下一个时间步骤
如果潜在的计算成本不高，那么可能值得首先探讨一下模拟的主要成本在哪里。如果需要并行模拟的实体不到20个，我只会在普通多核CPU上使用并行处理，而不用担心使用GPU 使用多核CPU将更容易编程，并避免将所有操作转换为GPU操作的步骤
此外，正如您所建议的，使用GPU的性能增益将很小（甚至是负的），因为进程数量很少。GFOR循环正是针对这类问题（数据量小但迭代次数多）。在ArrayFire中查看它（我是其中的一员）：请注意，在即将推出的C++17中，您可能可以在
parallel_for