复杂网络和效率模型及其计算-应用数学专业论文.docx

集美大学硕士学位论文复杂网络与效率模型及其计算 集美大学硕士学位论文 复杂网络与效率模型及其计算 PAGE PAGE 10 第 0 章 引言 GPU 用于通用计算近来成为一个热门话题。与传统的 CPU 相比，GPU 具有更强的并 行处理能力。并且显卡的价格相对于高性能并行计算机来说要低廉许多，因此对 GPU 进 行测试，将 GPU 和 CPU 的运算速度进行比较成为一项有意义的工作。 效率模型是描述经济个体在整体中的受到某种因素而引起效率改变的一个抽象模型， 将效率模型放在复杂网络上，在复杂网络上研究效率动力学，我们通过模拟计算加团效应 的效率模型动力学来达到解释一些经济现象。由于复杂网络的点比较多，因此我们采用 GPU 来进行模拟计算。 最后，我们就蛋白质相互作用网络度分布进行了相关研究。 第 1 章 GPU 作为科学计算的工具 1. 1 GPU 的历史和现状 1. 1. 1 GPU 介绍[ 1] GPU 的英文全称是 Graphic Processing Unit，中文翻译为“图形处理器”，是 nVIDIA 公 司于 1999 年在推出其图形芯片领域开天辟地的产品—Geforce256 提出的概念。Geforce256 所采用的核心技术有硬体 TL、立方环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、 双重纹理四像素 256 位渲染引擎等，而硬体 TL 技术可以说是 GPU 的标志。Geforce256 之所以被称作 GPU 原因就在于 Geforce256 划时代的在图形芯片内部集成了 TL（几何光 照转换）功能，使得 GPU 拥有初步的几何处理能力，彻底解决了当时众多游戏瓶颈发生 在 CPU 几何吞吐量不够的瓶颈。从那时开始，GPU 已经开始负责原来由 CPU 的部分功能， 例如几何光照转换。在此后的几年里，为了满足游戏的需求，顶点和像素运算的需求量猛 增。研究人员发现，直接增加 Pixel Shader（像素着色器）和 Vertex Shader（顶点着色器） 可将显卡性能大幅度提升。与此同时，相关其他一些硬件（如光栅器 Rasterizer，ROP 光 栅化引擎等）也被添加到显卡中以最大幅度提升显卡性能。但这时的 Pixel Shader 和 Vertex Shader 的可编程能力都不强。但随着 DirectX 9.0 的到来，Shader 的计算能力不断增强， 灵活度不断提升。到了 DirectX 10.0 时代，显卡形成了以通用的可编程计算单元为主、图 形固定单元为辅的形式。但那时的通用计算能力很差，要求编程人员具有很高的硬件编程 能力。这对普通的科研人员来说不具有可操作性。 但是 GPU 通用计算技术发展迅速，2003 年 GPGPU 概念提出，其英文全称是 General Purpose Graphic Processing Unit。2004 年 9 月份，剑桥大学的 BionicFx 课题组宣布在 NVIDIA 的最新 GPU 产品中实现了专业的实时音频处理功能。2006 年由斯坦福大学化学系的潘德 小组（Pande Group）主持的全球最大的分布式计算项目——Folding@home，逐步将眼光 转向 GPGPU 领域。该项目可精确地模拟蛋白质折叠和错误折叠的过程。2006 年 10 月 2 日，Folding@home 项目公开发行供 Windows 系统使用的 GPU 测试版本，测试期间收到由 450 颗 ATI X1900 GPU 提供的 31 TFLOPS 运算性能，每颗显核平均运算运力为一颗传统 CPU 的 70 多倍。 CPU 和 GPU 在科学计算中速度上的差异关键在于两种处理器架构的不同：CPU 大部 分晶体管主要用于构建控制电路，实际执行运算工作的晶体管却不多。而 GPU 的控制相 对简单，大部分晶体管可以组成各类专用电路、多条流水线，使得 GPU 的计算速度有了 突破性的飞跃，拥有了惊人的处理浮点运算的能力。CPU 的架构是有利于 X86 指令集的串 行架构，CPU 从设计思路上适合尽可能快的完成一个任务；对于 GPU 来说，它的任务是 在屏幕上合成显示数百万个像素的图像——也就是同时拥有几百万个任务需要并行处理， 因此 GPU 被设计成可并行处理很多任务，而不是像 CPU 那样完成单任务。 目前主要有 nVIDIA 和 ATI( 美国时间 2006 年 7 月 24 日被 AMD 公司收购) 两家公司 从事 GPU 生产和 GPU 通用计算的开发。目前两家公司都有自己的 GPU 通用计算运算平 台。从事 GPU 通用计算的科研人员至少会用到这两种运算平台中的一种，下面介绍这两 种运算平台。 nVIDIA 公司的通用并行计算架构是 Compute Unified