GPUkiihdytystä

GPUkiihdytys tarkoittaa yleiskäyttöisen laskennan siirtämistä näytönohjainlaitteelle (GPU) hyödyntäen sen rinnakkaislaskentakykyjä. Tällöin raskaat laskentatehtävät ajetaan GPU:ssa CPU:n ohjaamana, jolloin tiedonsiirto ja koordinointi tapahtuvat CPU:n ja GPU:n välillä.

GPU koostuu suurista määristä pienryhmitettyjä laskentaytimiä, jotka suorittavat lukuisia säikeitä rinnakkain. Laskentakoodi tallennetaan ja suoritetaan kernel-funktioilla. Datan siirtäminen CPU:sta GPU:lle ja takaisin on olennaista suorituskyvyn kannalta, ja siirtojen kustannukset voivat muodostaa pullonkaulan.

Sovelluksia ovat muun muassa koneoppiminen ja syväoppiminen, kuvien ja videon käsittely, tieteelliset simuloinnit sekä renderointi ja videoenkoodaus. Myös suurten tietomassojen analysointi hyödyntää usein GPU-kiihdytystä.

Tärkeimmät ohjelmointirajapinnat ovat CUDA (NVIDIA), OpenCL, Vulkan Compute ja DirectX Compute Shaders sekä Apple Metal. Kirjastot kuten cuDNN, cuBLAS ja ROCm helpottavat korkean suorituskyvyn funktioiden käyttöönottoa. Monialustaiset kehitysympäristöt ja kirjastot voivat automatisoida laitteistospesifin optimoinnin.

Edut ovat suuria nopeus- ja energiatehokkuuden parannuksia rinnakkaisissa tehtävissä sekä parempi skalautuvuus. Rajoitteita ovat muistibandwithiin liittyvät rajoitukset, datansiirto kuluineen sekä algoritmin soveltuvuus: kaikki ongelmat eivät hyödy GPU-kiihdytyksestä samalla tavalla. Tarkkuus (FP16/FP32/FP64) ja virheiden hallinta voivat myös vaatia erityishuomiota.

GPU-kiihdytys on vakiinnuttanut asemansa nykyaikaisessa laskennassa, erityisesti tekoälyssä, grafiikassa ja suurten laskentatehtävien parissa.