基于GPU计算平台的电磁散射计算并行加速技术的中期报告.docx

基于GPU计算平台的电磁散射计算并行加速技术的中期报告
本报告旨在介绍基于GPU计算平台的电磁散射计算并行加速技术的中期进展情况。本研究使用CUDA框架实现了针对有限元方法（FEM）和时域积分方程（TDIE）两种常用电磁散射计算方法的GPU加速程序，实现了比传统CPU程序更高效的计算速度和更低的计算成本。下面分别介绍FEM和TDIE的GPU加速实现情况。
一、GPU加速FEM程序
我们在NVIDIATeslaV100GPU上实现了针对二维FEM计算的GPU加速程序，使用CUDAC++语言编写。实验结果表明，GPU加速程序相对于CPU程序可以实现约20倍的加速比，同时保持了精度和稳定性。具体实现过程如下：
1.数据预处理
为了避免数据的频繁读写，我们将部分数据复制并存储在共享内存中，如节点坐标、单元信息、基函数值等变量。同时，我们使用纹理内存来加速查找测量点的函数值。
2.并行计算
在GPU加速程序中，我们采用了CUDA的核函数来进行FEM计算。为了利用GPU的并行性，我们采用了一些优化策略，如块大小的优化、共享内存的利用等。我们还使用了并行排序算法库来加速计算过程中的排序操作。
3.数据转移
由于GPU和CPU之间的数据传输需要大量的时间和带宽，我们采用了异步的数据传输方式，使得CPU可以继续进行计算。此外，我们还使用了CUDA的流技术来实现数据传输和计算的并行化。
二、GPU加速TDIE程序
我们在TeslaV100GPU上实现了针对二维TDIE计算的GPU加速程序，同样使用CUDAC++语言编写。实验结果表明，GPU加速程序相对于CPU程序可以实现约30倍的加速比，同时保持了精度和稳定性。具体实现过程如下：
1.导入网格
我们将导入的网格数据存储在全局内存中，并通过纹理内存来加速查找测量点的函数值。
2.构造积分
为了利用GPU的并行性，我们采用了非局部加权积分（NLWQ）算法，并使用CUDA的矩阵乘法库加速矩阵计算过程。
3.并行计算
在GPU加速程序中，我们采用了CUDA的核函数来进行TDIE计算。为了利用GPU的并行性，我们采用了一些优化策略，如块大小的优化、共享内存的利用等。
4.数据转移
同FEM程序一样，我们采用了异步的数据传输方式和CUDA的流技术来实现数据传输和计算的并行化。
结论
本研究使用CUDA框架实现了针对FEM和TDIE两种常用电磁散射计算方法的GPU加速程序，并在NVIDIATeslaV100GPU上进行了测试。实验结果表明，GPU加速程序相对于CPU程序可以实现约20倍和30倍的加速比，同时保持了精度和稳定性。下一步，我们将继续探索其他电磁散射计算方法的GPU加速实现。