基于NVIDIA Kepler的PIC方法并行

J4 ›› 2013, Vol. 35 ›› Issue (11): 100-104.

基于NVIDIA Kepler的PIC方法并行

文敏华1,林新华1,2,Simon Chong Wee See 1,3

(1.上海交通大学高性能计算中心,上海200240;
2.东京工业大学,日本东京 152-8550;3.NVIDIA Corporation,新加坡)

收稿日期:2013-08-03 修回日期:2013-10-11 出版日期:2013-11-25 发布日期:2013-11-25
基金资助:
Supported by SJTU CUDA Center of Excellence and JSPS RONPAKU Fellowship

A NVIDIA Kepler based acceleration of PIC method

WEN Min-hua1,James LIN1,2,Simon Chong Wee See1,3

(1.Center for High Performance Computing,Shanghai Jiao Tong University,Shanghai 200240,China;
2.Tokyo Institute of Technology,Tokyo 152-8550，Japan;3.NVIDIA Corporation，Singapore)

Received:2013-08-03 Revised:2013-10-11 Online:2013-11-25 Published:2013-11-25

摘要/Abstract

摘要：

PIC方法是计算等离子体物理中广泛使用的一种计算方法。通常情况下需要使用大量的计算粒子以达到高的计算精度，这导致非常庞大的计算量。因而PIC方法的加速研究对于减少其时间成本非常有意义。设计了一个基于NVIDIA Kepler GPU的PIC算法，并使用CUDA在GPU上实现了该算法。在PIC方法中最耗时间的两个函数collision和mover被移植到GPU上。在实验中使用了NVIDIA新发布的Kepler K20 GPU进行这两个函数的性能测试，相比于Intel Sandy Bridge E5-2650，最高获得了30倍的加速。

关键词: PIC方法, CUDA, NVIDIA Kepler

Abstract:

The PIC (Particle-In-Cell) method is widely used in computational plasma physics. However, a large number of computational particles have to be simulated in order to get high accuracy, which requires great compute capacity. Therefore, it is necessary to accelerate the PIC method in order to reduce the time cost. A NVIDIA Kepler GPU based PIC algorithm is designed and implemented using CUDA (Compute Unified Device Architecture). The most time consuming parts of PIC method, namely collision and mover, are ported onto GPU platform. In our experiments, NVIDIA's newly released Kepler K20 is used to evaluate the performance and maximum 30x speedup is achieved compared with Intel Sandy Bridge E5-2650.

Key words: PIC method;CUDA;NVIDIA Kepler

文敏华1,林新华1,2,Simon Chong Wee See 1,3. 基于NVIDIA Kepler的PIC方法并行[J]. J4, 2013, 35(11): 100-104.

WEN Min-hua1,James LIN1,2,Simon Chong Wee See1,3. A NVIDIA Kepler based acceleration of PIC method [J]. J4, 2013, 35(11): 100-104.

[1]	苏丽，孙彦猛，张博为，杨先博，朱颖. 一种基于Hadoop+CUDA实现相关器的方法[J]. J4, 20160101, 38(01): 46-51.
[2]	陈强, 谭林, 王云丽, 肖靖. 工业区块链中基于CUDA的数据并行处理方法[J]. 计算机工程与科学, 2022, 44(12): 2102-2110.
[3]	左宪禹1,2，张哲1,5，黄祥志4,5，葛强1,2，张理涛3，臧文乾4,5. 一种适用于GPU图像处理算法的合并存储结构[J]. 计算机工程与科学, 2020, 42(02): 197-202.
[4]	段兴锋1,2,任鸿翔1,神和龙1. 基于CUDA的弱可压SPH流体建模与仿真[J]. 计算机工程与科学, 2018, 40(08): 1375-1382.
[5]	刘金1，2，吴志健1，2，吴双可2，王晖3，邓长寿4. GPU上的维度并行随机吸引策略萤火虫算法[J]. 计算机工程与科学, 2016, 38(10): 1961-1966.
[6]	阳王东1,2 ,李肯立2. 基于HYB格式稀疏矩阵与向量乘在CPU+GPU异构系统中的实现与优化[J]. J4, 2016, 38(02): 202-209.
[7]	任成磊1,蒲鹏2,韩定定1. 栅元有效共振积分的CUDA算法设计与实现[J]. J4, 2016, 38(02): 224-230.
[8]	苏丽，孙彦猛，张博为，杨先博，朱颖. 一种基于Hadoop+CUDA实现相关器的方法[J]. J4, 2016, 38(01): 46-51.
[9]	赵瑞斌1,赵生慧1,胡新礼2. CPU-GPU协同计算的遥感仿真图像MTF退化并行算法[J]. J4, 2015, 37(07): 1258-1264.
[10]	许晓臣1，董明利1，王君1，孙鹏1,2，燕必希1. 基于CUDA的动态视觉测量像面特征点中心快速定位算法[J]. J4, 2014, 36(12): 2378-2385.
[11]	何涛1,2,朱岱寅1. 大点数一维FFT的GPU设计实现[J]. J4, 2013, 35(11): 34-41.
[12]	张云洲，袁家斌，吕相文. 面向多任务的GPU通用计算虚拟化技术研究[J]. J4, 2013, 35(11): 119-125.
[13]	徐如林，周海芳，姜晶菲. 基于GPU的遥感图像IHS小波融合并行算法设计与实现[J]. J4, 2012, 34(8): 135-141.
[14]	郭松，窦勇，雷元武. 海洋环流数值模式POP的GPU并行优化[J]. J4, 2012, 34(8): 147-153.
[15]	秦晋，龚春叶，胡庆丰，刘杰. 基于CUDA编程模型的稀疏对角矩阵向量乘优化[J]. J4, 2012, 34(7): 78-83.