基于CUDA的三维数据并行可视化

科学计算可视化是发达国家20世纪80年代后期提出并发展起来的一个新的研究领域,它运用计算机图形学和图像处理技术,将三维数据转换为图形及图像在屏幕上显示出来并进行交互处理,主要包括面绘制和体绘制两种方法。光线投射算法是最经典的三维数据体绘制方法,图像质量较高,但计算时间较长,基于CUDA的编程技术利用GPU的多核并行运算功能可显著提高计算速度,实现大规模三维数据的实时可视化。     

遥感影像正射纠正的GPU-CPU协同处理研究

提出了一种基于CUDA的遥感影像正射纠正GPU-CPU协同处理方法,以实现重采样操作的GPU细粒度并行化。根据GPU的并行结构和硬件特点,采用执行配置优化技术提高warp占有率,利用共享存储器优化减少对效率低下的全局存储器中坐标变换系数的重复访问,通过纹理存储器代替全局存储器优化对原始影像数据的访问。实验结果表明,并行算法能够充分发挥GPU的并行处理能力,利用GeForce 9500 GT显卡,对大小为6 000像素×6 000像素的全色影像进行多项式纠正对比实验,最邻近灰度内插重采样和双线性灰度内插重采样的最终加速比分别能够达到8倍和10倍以上。     

FPGA与GPU并行计算分析——以Kirchhoff叠前时间偏移为例

高性能计算(high performance computing)是地震数据处理领域一个重要研究课题.目前的高性能计算大多是利用图形处理器(GPU)强大并行处理能力,以GPU/CPU协同并行计算构架为基础实现有关算法.本文讨论了利用CUDA和Impulse C-to-FPGA工具分别在GPU(图形处理器)和FPGA(可编程逻辑门阵列)平台上并行实现Kirchhoff叠前时间偏移算法.处理结果表明,利用GPU加速Kirehhoff叠前时间偏移处理得到了14倍的单核加速比,利用FPGA加速Kirchhoff叠前时间偏移处理得到了9.5倍的单核加速比.     

基于GPU的HASM动态模拟与实时渲染方法

 基于微分几何曲面论的高精度曲面模拟(high accuracy surface modeling, HASM)需要大量的复杂密集计算,在CPU上模拟极为耗时,使得在现有的硬件条件下,实时动态模拟曲面并实时可视化极具挑战性。论文提出了GPU加速的HASM方法,充分利用现代显示适配器(graphic processor unit, GPU)技术,运用GPU最新发展起来的并行计算能力,使用并行化的预处理共轭梯度方法解算曲面,完成曲面模拟,并同时利用GPU的高速缓存架构,对渲染操作进行充分优化,以实现高效实时可视化。HASM需要的有限差分离散和高速解算操作,均充分利用现代GPU架构,所具有的多处理器和众多的流处理器所产生的强大并行计算能力,可视化也用GPU高速缓存技术和三角条带方法进行充分优化。数值实验和实际项目区高程模拟实验均表明, 在GPU为NVIDIA quadro 2000和CPU为DualCore Intel Core 2 Duo E8400的硬件配置下,GPU并行化的曲面模拟方法比普通方法速度提高了约10倍,使得动态模拟与可视化算法可以达到交互式的帧速及实时可视化的要求。     

基于GPU并行的重力、重力梯度三维正演快速计算及反演策略

利用NVIDIA CUDA编程平台,实现了基于GPU并行的重力、重力梯度三维快速正演计算方法.采用当前在重力数据约束反演或联合反演中流行的物性模型(密度大小不同、规则排列的长方体单元)作为地下剖分单元,对任意三维复杂模型体均可用很多物性模型进行组合近似,利用解析方法计算出所有物性模型在计算点的异常值并累加求和,得到整个模型体在某一计算点引起的重力(或重力梯度)值.针对精细的复杂模型体产生的问题,采用GPU并行计算技术,主要包括线程有效索引与优化的并行归约技术进行高效计算.在显卡型号为NVIDIA Quadro 2000相对于单线程CPU程序,重力和重力梯度U_xx、U_xy正演计算可以分别达到60与50倍的加速.本文还讨论了GPU并行计算在两种反演方法中的策略,为快速三维反演技术提供了借鉴.     

基于异构集群计算的地统计面插值并行算法

地统计面插值算法在空间统计分析中有广泛应用,其目的是通过一组面要素的某已知属性值估算另一组面要素的属性值。地统计面插值算法多是基于克里金（Kriging）插值及其衍生算法。克里金插值算法考虑属性在空间位置上的变异性,需计算要素之间的协方差,是典型的计算密集型算法。本文分析了基于克里金插值的地统计算法计算过程,该算法中面要素间协方差计算相互独立,可作为并行计算单元划分。另外,面要素间协方差计算可使用快速傅里叶变换（FFT）快速计算,而FFT是一种非常适合并行处理的计算密集型算法。本文根据算法特征设计了基于异构集群计算的并行算法,并使用MPI+CUDA实现了该算法。实验结果表明,本文实现的算法比使用MPI实现的CPU集群的算法有更好的性能,具备良好的可扩展性,并且随着插值精度提高表现出更好的性能。     

A GPU-accelerated adaptive kernel density estimation approach for efficient point pattern analysis on spatial big data

Kernel density estimation (KDE) is a classic approach for spatial point pattern analysis. In many applications, KDE with spatially adaptive bandwidths (adaptive KDE) is preferred over KDE with an invariant bandwidth (fixed KDE). However, bandwidths determination for adaptive KDE is extremely computationally intensive, particularly for point pattern analysis tasks of large problem sizes. This computational challenge impedes the application of adaptive KDE to analyze large point data sets, which are common in this big data era. This article presents a graphics processing units (GPUs)-accelerated adaptive KDE algorithm for efficient spatial point pattern analysis on spatial big data. First, optimizations were designed to reduce the algorithmic complexity of the bandwidth determination algorithm for adaptive KDE. The massively parallel computing resources on GPU were then exploited to further speed up the optimized algorithm. Experimental results demonstrated that the proposed optimizations effectively improved the performance by a factor of tens. Compared to the sequential algorithm and an Open Multiprocessing (OpenMP)-based algorithm leveraging multiple central processing unit cores for adaptive KDE, the GPU-enabled algorithm accelerated point pattern analysis tasks by a factor of hundreds and tens, respectively. Additionally, the GPU-accelerated adaptive KDE algorithm scales reasonably well while increasing the size of data sets. Given the significant acceleration brought by the GPU-enabled adaptive KDE algorithm, point pattern analysis with the adaptive KDE approach on large point data sets can be performed efficiently. Point pattern analysis on spatial big data, computationally prohibitive with the sequential algorithm, can be conducted routinely with the GPU-accelerated algorithm. The GPU-accelerated adaptive KDE approach contributes to the geospatial computational toolbox that facilitates geographic knowledge discovery from spatial big data.     

基于GPGPU的并行影像匹配算法

提出一种基于GPGPU的CUDA架构快速影像匹配并行算法,它能够在SIMT模式下完成高性能并行计算。并行算法根据GPU的并行结构和硬件特点,采用执行配置技术、高速存储技术和全局存储技术三种加速技术,优化数据存储结构,提高数据访问效率。实验结果表明,并行算法充分利用GPU的并行处理能力,在处理1280×1024分辨率的8位灰度图像时可达到最高多处理器warp占有率,速度是基于CPU实现的7倍。CUDA在高运算强度数据处理中呈现出的实时处理能力和计算能力,为进一步加速影像匹配性能和GPU通用计算提供了新的方法和思路。     

基于GPU技术的风暴潮集合预报

台风预报的准确性在风暴潮预报中起着重要作用。台风强度和路径的不确定性意味着使用集合模式来预报风暴潮。本文利用中央气象台的最优路径台风参数驱动国家海洋环境预报中心业务化的水动力学模型，开展华南沿海的风暴潮模拟，模式模拟结果与实测吻合较好。为了改进计算效率，采用CUDA Fortran 语言对模型进行了改造，改造后的模型在计算结果与原模型基本一致的基础上，计算时间缩短了99%以上。通过融合欧洲中期天气预报中心（ECWMF）的50条路径与3种可能台风强度构造出了150个台风事件，并用150个台风事件驱动改进的风暴潮数值模型，计算结果可以提供集合预报产品和概率预报产品。通过“山竹”台风风暴潮过程可以发现集合平均预报结果和概率预报结果与实测吻合较好。改进的数值模型可以运行普通工作站上，非常适合风暴潮集合预报，并且可以提供更好的决策产品。     

波动方程叠前深度偏移的GPU技术

偏移成像是地震资料处理流程中重要的一环,目前工业界所采用的方法是克希霍夫时间偏移,该方法的优点在于计算效率高,模型易于获取。但因其基于高频近似,难以适应多次到达,欠照明影响及横向变速剧烈的地质情况。波动方程叠前深度偏移则能较好地解决这些问题,但其计算成本远高于克希霍夫偏移方法,这也成为其在实际生产应用中的瓶颈之一。这里将利用GPU技术,研究波动方程叠前深度偏移的高性能计算方法,使之能够满足生产中海量数据处理的需要。