Question

所以我试图模拟一个名为Tasep的物理模型。

我编写了一个代码来用c ++模拟这个系统，但我肯定需要提升性能。

该模型非常简单（下面的c ++代码） - 1＆{39}和0的数组。 1 代表一个粒子， 0 是无粒子，意味着空。如果该元素为空，则粒子以1的速率向右移动一个元素。最后位置的粒子将以beta（例如0.3）的速率消失。最后，如果第一个位置为空，则粒子将以alpha的速率出现在那里。

一个线程很容易，我只是随机选择一个元素，并按概率1 / alpha / beta进行操作，如上所述。但这可能需要很长时间。

所以我尝试用许多线程做类似的事情，使用GPU，这引发了很多问题：

对于这样的事情，是否真的使用GPU和CUDA？
我应该有多少线程？我可以为每个网站设置一个帖子（ 10E+6 ），我应该吗？
如何在不同线程之间同步对内存的访问？到目前为止，我使用过原子操作。
生成随机数据的正确方法是什么？如果我使用一百万个线程，那么每个都有一个随机生成器吗？
如何处理费率？

我是CUDA的新手。我设法从CUDA示例和一些教程中运行代码。虽然我有一些上面的代码（虽然仍然给出了奇怪的结果），但我没有把它放在这里，因为我认为这些问题更为通用。

所以这是c ++的一个线程版本：

int Tasep()
{
    const int L = 750000;

    // rates
    int alpha = 330;
    int beta  = 300;
    int ProbabilityNormalizer = 1000;

    bool system[L];
    int pos = 0;
    InitArray(system); // init to 0's and 1's

    /* Loop */
    for (int j = 0; j < 10*L*L; j++)
    {
        unsigned long randomNumber = xorshf96();
        pos = (randomNumber % (L)); // Pick Random location in the the array

        if (pos == 0 && system[0] == 0) // First site and empty
            system[0] = (alpha > (xorshf96() % ProbabilityNormalizer)); // Insert a particle with chance alpha

        else if (pos == L - 1) // last site
            system[L - 1] = system[L - 1] && (beta < (xorshf96() % ProbabilityNormalizer)); // Remove a particle if exists with chance beta

        else if (system[pos] && !system[pos + 1]) // If current location have a particle and the next one is empty - Jump right
        {
            system[pos] = false;
            system[pos + 1] = true;
        }
        if ((j % 1000) == 0) // Just do some Loggingg
            Log(system, j);
    }

    getchar();
    return 0;
}

对于愿意提供帮助并提出建议的人，我将非常感激。

Answer 1

我认为你的目标是执行一项名为蒙特卡罗模拟的事情。但我未能完全理解你的主要目标（即获得频率或平均功率丢失等）。

问题01

由于您询问了随机数据，我相信您可以拥有多个随机种子（每个线程可能有一个），我建议您使用任意伪随机生成器在GPU中生成种子（您甚至可以使用相同的种子）作为CPU），将种子存储在GPU全局内存中，并使用动态并行性启动尽可能多的线程。所以，是的，CUDA是一种合适的方法，但请记住，您需要学习的时间与从当前代码获得结果所需的时间之间的平衡。如果您将来会使用这些知识，那么学习CUDA可能是值得的，或者如果您可以在许多GPU中升级您的代码并且在CPU中花费太多时间，您将需要经常解决这个等式，它也值得。看起来你很接近，但如果它是一个简单的一次性结果，我会建议你让CPU解决它，因为从我的经验来看，你将花费更多的时间来学习CUDA而不是CPU将用来解决它（IMHO）。

问题02

线程数是新手常见的问题。答案非常依赖于您的项目，但是将您的代码作为一种洞察力，我会尽可能多地使用不同种子的每个线程。我的建议是使用寄存器就是你所谓的“站点”（要知道这是强大的局限性），然后运行多个循环来评估你的粒子，就像汽车轮胎一样的坏道路（SMEM中的数据），所以你的L限制为每循环255（避免以你的成本为您的项目溢出，而较少的寄存器意味着每个循环更多的warp）。为了创建扰动，我会在共享内存中加载向量，一个用于alpha（短），一个用于beta（短）（我确实假设不同的分布），一个“存在或不存在粒子”在下一个站点（char），以及另外两个组合为伪生成器源与threadID，blockID和一些当前时间信息（以帮助您选择初始alpha，beta和是否存在）所以你可以为块中的每个线程重用这个速率，并且因为数据不会改变（只有读取位置改变）你必须在读取后只进行一次同步，你也可以“随机选择扰动位置并重复使用数据。初始值可以从全局存储器加载并在特定的”刷新后“隐藏加载延迟的循环次数。简而言之，您将在共享中多次重复使用相同的数据，但是由于伪随机值，每次交互时为每个线程选择的值都会发生变化。考虑到您正在谈论大型数字，你可以加载不同的数据我在每个块中，伪随机算法应该足够好。此外，您甚至可以使用以前运行中存储在gpu中的结果作为随机源，翻转一个变量并执行一些位操作，因此您可以将每个位用作粒子。

问题03

对于您的特定项目，我强烈建议避免线程合作并使这些完全独立。但是，您可以在同一个warp中使用shuffle，而且成本不高。

问题04

很难生成真正的随机数据，但您应该担心持续时间的频率（因为任何生成器都有一段随机时间并且它们会重复）。我建议你使用一个可以与你的内核并行工作的单个生成器，并使用它来提供内核（你可以使用动态并行）。在你的情况下，因为你想要一些随机你不应该担心一致性。我举了一个在前一个问题中使用伪随机数据的例子，这可能有所帮助。请记住，没有真正的随机生成器，但有一些替代品，例如互联网位。

问题05

已在问题03中解释过，但请记住，您不需要完整的值序列，只需要足够的部分以多种形式使用，为内核提供足够的时间进行处理，然后您可以刷新你按顺序排序，如果你保证不用相同的顺序进给块，就很难陷入模式。

希望我能得到帮助，我和CUDA合作已有一年多了，就像你一样开始，而且每周我都会改进我的代码，现在几乎已经足够好了。现在我看到它完全符合我的统计挑战：集群随机事物。

祝你好运！

蒙特卡罗与费率，系统模拟与CUDA C ++

1 个答案: