GPU架构对于其他实例的适应性

    ● GPU架构对于其他实例的适应性

    前文提到的几种GPU计算项目，都是一些非常直接具体的科学计算项目，它们是用户直接体会GPU计算的最简单途径。除此之外，还有大量实例可以在GPU上完成运算，特别是ATI提供的这种硬件架构可以在一些特殊运算中获得极高的加速比。

    比如对于那些很难解决或者不可能精确求解的问题，蒙特卡洛算法提供了一种近似的数值解决方法。蒙特卡洛仿真与生俱来的特征就是多次独立重复实验的使用，每次独立实验都有某些随机数驱动。根据大数定律，组合的实验次数越多，最后得到的平均答案就越接近于真实的答案。每次重复实验天生就具有较强的并行特征，而且它们通常由密集数操作组成，因此GPU几乎为蒙特卡洛仿真提供了一个完美的平台。

使用蒙特卡洛算法在正方形内计算π

    使用蒙特卡洛算法解决问题的一个简单例子是计算π的值。这需要首先绘制出一个正方形，然后绘制它的内切圆。如果圆的半径是r，圆的面积就是πr2，而外接正方形的面积就是4r2。如果可以计算出圆面积和正方形面积之间的比例系数p，就可以计算π了。使用蒙特卡洛算法在正方形内均匀地生成n个独立的随机点，假设这些点中有k个位于园内，则p≈k/n，既π≈4k/n。点数分布越多，π的值精度就越高，当n=2×104及2×105时得到的近似值分别为3.1492和3.1435。

    很明显这种计算π的方法效率很低，因为它的精度增长率很低（精度通常和实验次数的平方根成正比），而且比标准重复方法效率低了很多。然而它却说明了蒙特卡洛算法为何如此盛行的原因：1、该方法通常不是问题应对的精确解决方法，很容易理解它的工作原理。2、只要运算资源充沛，该方法通常容易实现，障碍只是随机数生成。3、蒙特卡洛算法天生就是并行的。其中最后一点正说明了蒙特卡洛算法很容易在网络集群中的多个节点上运行，或者在一个CPU或者GPU内的多个处理器上运行，该算法通用性极强，比如它允许我们为很多没有分析型方案的金融模型寻找解决方案。

    第二个要介绍的例子是使用GPU进行Nbody仿真。它在数值上近似地表示一个多体系统的演化过程，该系统中的一个体（Body）都持续地与所有其他的体相互作用。一个相似的例子是天体物理学仿真，在该仿真中，每个体代表一个星系或者一个独立运行的星系，各个体之间通过万有引力相互吸引，如图所示。在很多其他计算机科学问题中也会用到N-body仿真，例如蛋白质折叠就用到Nbody仿真计算静电荷范德华力。其他使用Nbody仿真的例子还有湍流流场仿真与全局光照计算等计算机图形学中的问题。

DirectX 11 SDK Nbody Gravity测试项目

    在NVIDIA最初G80架构的Geforce 8800GTX GPU上计算每秒100多亿个引力系统的性能，这个成绩是一个经过高度优化的CPU实现的性能的50多倍。Nbody仿真问题的研究贯穿了整个计算科学的历史。在20世纪80年代，研究人员引进了分层和网格类型的算法，成功降低了计算复杂度。自从出现了并行计算机，Nbody仿真的并行化也开始被研究了。同时从CPU到GPU的现有研究成果不仅仅是为了降低运算的功耗，还可以降低分层度，节省远域计算的时间。

    N Body Gravity测试具备两个显著的特点，首先是高并行度，该测试拥有大量相互碰撞的粒子，粒子之间会产生复杂而又数量较多的力量变化。同时该测试拥有较高的运算密度，GPU在处理此类问题时可以有效展现其强大的并行运算能力。

利用开源的杀毒软件ClamAV来基于GPU进行病毒检测

    GPU还可以作为一个高速过滤器，来检验计算机病毒，这一原理和MilkyWay@home项目的像素对比有异曲同工之处。作为一个并行数据处理器，GPU擅长于处理那些具有常规的、固定大小的输入输出数据集合的算法任务。因为通过让CPU处理变长的和串行的任务，而GPU处理并行度较高的任务，可以最大限度地利用GPU进行病毒检测。GPU可以使用很少的字节来确定是否可能与数据库中的某个特征匹配，然后GPU再确认所有的匹配。