GPUbaserte

GPUbaserte beregninger refererer til bruk av en grafikkprosessor (GPU) til generelle beregninger som ikke utelukkende handler om grafikkrendering. I motsetning til tradisjonelle sentralprosessorer (CPU) har GPUer hundrevis til tusenvis av mindre kjerner som kan utføre samtidig mange enkle operasjoner, noe som gjør dem spesielt godt egnet for data-parallelle oppgaver. GPUens design inkluderer høy minnebåndbredde og en spesialisert minnehierarki, som muliggjør rask tilgang til store datastrømmer. Prosessorene bruker ofte SIMD- eller SIMT-modeller for parallel utførelse.

Programmering av GPUer skjer ofte gjennom rammeverk som CUDA (for NVIDIA-kort) eller OpenCL (plattform-agnostisk), samt ROCm for AMD. DirectX Compute Shaders og Vulkan Compute gir også mulighet for beregninger i grafikk-pipelines. Mange moderne maskinlæringsrammeverk og vitenskapelige verktøy har innebygde GPU-accelerationsrutiner.

Vanlige bruksområder inkluderer vitenskapelige simuleringer (flyt- og molekylær dynamikk), maskinlæring og dyp læring, bilde- og videobehandling, sanntidsrendering og store data-analyser. Fordeler inkluderer høy teoretisk ytelse per watt for parallelle oppgaver og evnen til å akselerere eksisterende applikasjoner ved å flytte beregningsintensive kjernedeler til GPUen. Begrensninger inkluderer kompleks utvikling, behov for stor paralleliserbarhet og dataoverføringskostnader mellom CPU og GPU samt minnebegrensninger.

Historisk sett populariserte general-purpose GPU computing (GPGPU) seg på midten av 2000-tallet, med NVIDIA CUDA lansert i 2006 og åpne standarder som OpenCL utviklet rundt samme tid.