Tempo de Leitura: 4 minutos

No começo, tudo era simples:

A indústria de computação usando as Unidades de Propósito Cenetral (CPU) e a indústria de jogos agiram como duas linhas paralelas que nunca se encontram.

Os jogadores estavam usando consoles de jogos dedicados (Atari, Sega, Megason – toca uma campainha?).
Lentamente, com o desenvolvimento de computadores e telas de televisão, o campo de processadores gráficos (GPU) tornou-se poderoso agora dominante na indústria de jogos e superando os consoles de vídeo principalmente no uso de “jogadores profissionais”.
O que é a GPU (Unidade de processamento gráfico)?

Processador gráfico projetado para aplicativos gráficos; portanto, a estrutura da arquitetura do processador é dedicada ao tratamento de matrizes de pixels.

GPU é um processador paralelo em massa que suporta milhares de threads ativos, o paralelismo é possível graças ao grande número de núcleos de cálculo projetados para executar funções específicas rapidamente
Para realmente entender como a computação em GPU pode nos poupar horas, precisamos olhar para trás na história da Alegbra:

Álgebra linear é o ramo da matemática referente a espaços vetoriais e mapeamentos lineares entre esses espaços. Inclui o estudo de linhas, planos e subespaços, mas também se preocupa com propriedades comuns a todos os espaços vetoriais. (WikipediA).

A primeira ligação sistemática entre geometria euclidiana e álgebra foi feita por René Descartes em 1637, pela invenção de coordenadas cartesianas. Cerca de 10 anos depois, Isaac Newton usou a álgebra linear para formular sua famosa segunda lei do movimento de Newton. Em 1857, Arthur Cayley desenvolveu a matriz. Nesse ponto, a relação entre matemática e física mudou. Até esse momento, a física era de fato a motivação para o desenvolvimento da matemática; Os pesquisadores buscaram padrões matemáticos para explicar os fenômenos físicos.

Mas o século XVIII é um ponto de virada, porque nesse ponto a matemática se desenvolve como um caminho separado, sem essência física. Por exemplo, para desenvolver a teoria da relatividade geral, Einstein é obrigado a aprender matemática de tensores, que já era matemática madura. A imagem também é uma matriz (Coincidência) e também campos elétricos, campos magnéticos, transformada discreta de Fourier e muito mais ..
Os computadores sempre ajudaram a resolver problemas matemáticos, mas o século 20 foi um ponto de ruptura:
A interação entre computação e matemática esbate os limites.

Um cálculo de semanas encontrou a solução em algumas horas. Usando o mecanismo de computação gráfica
Dessa maneira, o processador gráfico se tornou o melhor amigo dos pesquisadores de matemática e física.

Esse “relacionamento amigável” é realmente baseado no que chamamos: paralelismo de tarefas:
O que é o paralelismo de tarefas:

O paralelismo de tarefas (também conhecido como paralelismo de funções e paralelismo de controle) é uma forma de paralelização de código de computador entre vários processadores em ambientes de computação paralelos. O paralelismo de tarefas concentra-se na distribuição de tarefas – executadas concretamente por processos ou encadeamentos – entre diferentes nós de computação paralela. Contrasta com o paralelismo de dados como outra forma de paralelismo. (Wikipedia)
Computação em GPU e paralelismo de tarefas:

GPU é um processador massivamente paralelo Suporta milhares de threads ativos
A GPU Computing requer um modelo de programação que possa expressar com eficiência esse tipo de paralelismo
GPU projetada como um mecanismo de computação numérica
Não terá bom desempenho em algumas tarefas como CPUs
A maioria dos aplicativos usará CPUs e GPUs
CUDA implementa esse modelo de programação

A plataforma CUDA é uma camada de software que fornece acesso direto ao conjunto de instruções virtuais da GPU e aos elementos computacionais paralelos

Aplicações típicas de software de computação GPU:

Dentro do aplicativo de software típico da computação GPU, podemos encontrar:

Máquinas evoluídas
Matlab
Hanweck Associates
CST
Sistema Manifold®

 

Existem três configurações principais do sistema GPU:

 

As placas gráficas da Nvidia são as principais placas de GPU usadas na computação de GPU; este é o modo de escolha mais simples entre placas:

Existem muitos exemplos de aplicativos, aqui estão alguns:

GPU de 4U:

  • Suporte 8 placas GPU de largura dupla (K10 / K20M / K20X / K40 / K80 / Xeon Phi)
  • Suporta CPU de até 160W
  • Compartimentos de HDD de 24 x 2,5 polegadas
  • Fonte de alimentação redundante de nível platina de 4 x 1600W (2 + 2)

Principais Aplicações:

  • Aplicativo de missão crítica
  • servidor corporativo
  • banco de dados grande
  • E-business
  • processamento de transações on-line
  • gás de petróleo
  • aplicativo médico.

 

2U DP:

  • Suporta até 6 placas GPU de largura dupla (K10 / K20M / K20X / K40 / K80 / K2 / K1 / Xeon Phi)
  • HDD de 10 “de troca a quente de 2,5”
  • 16 DIMMs, até 1 TB de memória
  • Fonte de alimentação de nível platina de 2000W

Aplicação chave:

  • Finanças Computacionais
  • HPC / Petróleo e gás
  • Análise do tempo e clima

1U até 4xGPU:

  • Suporta até 4 placas GPU de largura dupla (incluindo GTX)
  • Fonte de alimentação de titânio * / nível platina de 2000W
  • Sem pré-aquecimento da GPU
  • Sistema de Custo Otimizado

Aplicação chave:

  • Gás de petróleo
  • Pesquisa e Científicos
  • Tecnologia VDI
  • Finanças Computacionais

Tags:

Deixe uma resposta