基于GPU加速的FDTD算法對電磁輻射與散射問題的研究.pdf

1、時域有限差分法(Finite-Different Time-Domain Method)最早是由K.S.Yee在1966年提出的，是電磁計算領(lǐng)域的一種常用方法。在近幾十年來，由于其獨特的性能和優(yōu)點得到了越來越廣泛的應(yīng)用和重視。然而，這種方法在進行空間網(wǎng)格離散化時，必須滿足該算法穩(wěn)定性條件和計算精度的需求，對于電大尺寸或復(fù)雜結(jié)構(gòu)目標(biāo)的電磁問題，會產(chǎn)生數(shù)量龐大的網(wǎng)格，單臺PC機將很難提供足夠的存儲空間，且計算時間變長，計算性能降低。針對這些

2、不足，并行FDTD算法可將大規(guī)模計算分割成小塊來同時分別處理，既解決了內(nèi)存不足又縮短了計算時間，從而為解決電大尺寸電磁問題提供了有效地方法。
　　 計算機圖形處理器GPU(Graphic Process Units)將數(shù)據(jù)流并行處理的概念引入硬件結(jié)構(gòu)中，具有高性能的數(shù)據(jù)并行處理能力,使其在通用計算領(lǐng)域的應(yīng)用有著巨大的潛力。最新的通用計算GPU模型是統(tǒng)一計算架構(gòu)CUDA(Compute Unified Device Archite

3、cture)，它是NVIDIA公司的可編程多線程GPU提供的一種技術(shù)。CUDA可以為程序員提供充分調(diào)度數(shù)千個線程的能力。目前NVIDIA公司的GPU可以有效地支持?jǐn)?shù)量巨大的線程，因此可以提高程序的性能達幾個數(shù)量級。另一方面，由于FDTD算法在空間上具有天然的并行性，因此非常適合于在GPU上實現(xiàn)并行算法。
　　 本文針對傳統(tǒng)FDTD算法的不足，以圖形加速卡為核心，通過理論分析和數(shù)值模擬，研究并實現(xiàn)了基于GPU加速的FDTD并行算法

4、。同時，本文還對CUDA應(yīng)用程序進行了優(yōu)化，主要包括對數(shù)據(jù)訪問的優(yōu)化，這些數(shù)據(jù)訪問主要包括對芯片上的幾種內(nèi)存空間，如共享內(nèi)存、常量內(nèi)存，以及寄存器。每個內(nèi)存空間都有它們自己的性能特點和限制。本地內(nèi)存和全局內(nèi)存是沒有緩存的，它們的訪問時延很大。又由于共享內(nèi)存具有寫入塊共享內(nèi)存的數(shù)據(jù)可以被同一個塊里的其他線程讀取而不能被不同塊的線程讀取的特征，因此，共享內(nèi)存可以在硬件中非常有效地實現(xiàn)所需要的快速內(nèi)存訪問。典型的CUDA操作順序是：1)把任務(wù)

5、分解為子任務(wù)2)把數(shù)據(jù)分解為小塊，以使它們適合存儲于寄存器和共享內(nèi)存3)把數(shù)據(jù)塊從全局內(nèi)存中讀出，并存儲于寄存器和共享內(nèi)存中4)用線程塊處理每個數(shù)據(jù)塊5)把結(jié)果拷貝回全局內(nèi)存。因此，進行CUDA程序開發(fā)時面臨的最重要的性能挑戰(zhàn)之一就是如何充分地利用本地多處理器內(nèi)存資源，合理地使用這些內(nèi)存空間能夠大大提高CUDA程序的性能。
　　 本文是在CUDA支持的NVIDIA GeForce 9800GT上設(shè)計和實現(xiàn)的，該顯卡具有112個流

6、處理器和512MB的顯存。我們在該硬件基礎(chǔ)上研究了如何通過使用通用 GPU處理器的并行結(jié)構(gòu)來減少FDTD算法運行的計算時間。本篇論文的結(jié)構(gòu)如下：在第二部分，主要闡述了FDTD算法的理論背景。在第三部分，闡述了GPU通用計算具體實現(xiàn)的現(xiàn)狀。在第四部分，概述了GPGPU的CUDA結(jié)構(gòu)模型以及如何具體實現(xiàn)基于GPU的并行FDTD算法。第五部分，描述了在CUDA編程模型上的FDTD算法的設(shè)計以及優(yōu)化過程。第六部分，通過數(shù)值仿真實驗以及結(jié)果證明，