Универсальные вычисления на графических процессорах - General-purpose computing on graphics processing units

Универсальные вычисления на графических процессорах (ГПГПУ, редко GPGP) - это использование графический процессор (GPU), который обычно обрабатывает вычисления только для компьютерная графика, для выполнения вычислений в приложениях, традиционно обрабатываемых центральное процессорное устройство (ЦПУ).[1][2][3][4] Использование нескольких видеокарты в одном компьютере или большом количестве графических чипов еще больше распараллеливает и без того параллельный характер обработки графики.[5] Кроме того, даже одна структура GPU-CPU обеспечивает преимущества, которые несколько процессоров сами по себе не могут предложить из-за специализации каждого чипа.[6]

По сути, GPGPU трубопровод это своего рода параллельная обработка между одним или несколькими графическими процессорами и процессорами, которые анализируют данные, как если бы они были в виде изображения или другой графической формы. Хотя графические процессоры работают на более низких частотах, у них обычно во много раз больше ядра. Таким образом, графические процессоры могут обрабатывать гораздо больше изображений и графических данных в секунду, чем традиционные процессоры. Перенос данных в графическую форму, а затем использование графического процессора для их сканирования и анализа может создать большой ускорение.

Трубопроводы ГПГПУ были разработаны в начале 21 века для обработка графики (например, для лучшего шейдеры ). Было установлено, что эти трубопроводы подходят научные вычисления нуждается в хорошем, и с тех пор были развиты в этом направлении.

История

В принципе любой произвольный логическая функция, включая функции сложения, умножения и другие математические функции, могут быть построены из функционально полный набор логических операторов. В 1987 г. Игра жизни Конвея стал одним из первых примеров вычислений общего назначения с использованием ранних потоковый процессор называется блиттер вызвать особую последовательность логические операции на битовых векторах.[7]

Универсальные вычисления на графических процессорах стали более практичными и популярными примерно после 2001 года с появлением как программируемых шейдеры и плавающая точка поддержка графических процессоров. В частности, проблемы, связанные с матрицы и / или векторов - особенно двух-, трех- или четырехмерные векторы - было легко преобразовать в графический процессор, который работает с собственной скоростью и поддерживает эти типы. Эксперименты научного компьютерного сообщества с новым оборудованием начались с матричное умножение рутина (2001); одна из первых общенаучных программ, которые работали быстрее на графических процессорах, чем на процессорах, была реализация LU факторизация (2005).[8]

Эти ранние попытки использовать графические процессоры в качестве процессоров общего назначения потребовали переформулирования вычислительных задач в терминах графических примитивов, поддерживаемых двумя основными API-интерфейсами для графических процессоров, OpenGL и DirectX. Этот громоздкий перевод был устранен с появлением языков программирования общего назначения и API, таких как Ш /RapidMind, Ручей и ускоритель.[9][10]

За ними последовали Nvidia's CUDA, что позволило программистам игнорировать основные графические концепции в пользу более распространенных высокопроизводительные вычисления концепции.[8] Новые предложения, не зависящие от поставщиков оборудования, включают предложения Microsoft DirectCompute и Apple / Khronos Group OpenCL.[8] Это означает, что современные конвейеры GPGPU могут использовать скорость графического процессора, не требуя полного и явного преобразования данных в графическую форму.

Реализации

Любой язык, который позволяет коду, выполняемому на CPU, опрашивать GPU. шейдер для возвращаемых значений можно создать структуру GPGPU.

По состоянию на 2016 год, OpenCL является доминирующим открытым языком вычислений на GPU общего назначения и является открытым стандартом, определенным Хронос Групп.[нужна цитата ] OpenCL предоставляет кросс-платформенный Платформа GPGPU, которая дополнительно поддерживает параллельное вычисление данных на процессорах. OpenCL активно поддерживается на платформах Intel, AMD, Nvidia и ARM. Группа Khronos также стандартизировала и внедрила SYCL, модель программирования более высокого уровня для OpenCL в качестве встроенного языка с единым исходным кодом, основанного на чистом C ++ 11.

Доминирующая проприетарная структура: Nvidia CUDA.[11] Nvidia запущена CUDA в 2006 г. комплект для разработки программного обеспечения (SDK) и интерфейс прикладного программирования (API), позволяющий использовать язык программирования C кодировать алгоритмы для выполнения на GeForce 8 серии и более поздние графические процессоры.

Стандарты программирования для параллельных вычислений включают: OpenCL (независимо от производителя), OpenACC, и OpenHMPP. Марк Харрис, основатель GPGPU.org, ввел термин ГПГПУ.

В Xcelerit SDK,[12] сделано Xcelerit,[13] предназначен для ускорения крупных существующих C ++ или же C # кодовые базы на GPU с минимальными усилиями. Он обеспечивает упрощенную модель программирования, автоматизирует распараллеливание, управляет устройствами и памятью и компилируется в CUDA двоичные файлы. Дополнительно многоядерный Процессоры и другие ускорители могут быть нацелены из того же исходного кода.

OpenVIDIA был разработан в Университет Торонто с 2003 по 2005 гг.,[14] в сотрудничестве с Nvidia.

Гибридизатор Альтимеша[15] сделано Altimesh[16] компилирует Общий промежуточный язык к CUDA двоичные файлы. Он поддерживает универсальные и виртуальные функции.[17] Отладка и профилирование интегрированы с Visual Studio и Nsight.[18] Он доступен как расширение Visual Studio на Visual Studio Marketplace.

Microsoft представил DirectCompute API вычислений на GPU, выпущенный с DirectX 11 API.

Alea GPU[19] создано QuantAlea[20] представляет собственные вычислительные возможности GPU для Microsoft .NET язык F #[21] и C #. Alea GPU также предоставляет упрощенную модель программирования GPU, основанную на параллельном и параллельном агрегировании GPU с использованием делегатов и автоматического управления памятью.[22]

MATLAB поддерживает ускорение GPGPU с помощью Набор инструментов для параллельных вычислений и Сервер распределенных вычислений MATLAB,[23] и сторонние пакеты, такие как Пиджак.

Обработка GPGPU также используется для моделирования Ньютоновская физика к физические двигатели,[24] и коммерческие реализации включают Havok Physics, FX и PhysX, оба из которых обычно используются для компьютеров и видеоигры.

Близко к металлу, теперь называется Транслировать, является AMD Технология GPGPU для графических процессоров ATI Radeon.

C ++ ускоренный массовый параллелизм (C ++ AMP ) - это библиотека, ускоряющая выполнение C ++ код, используя оборудование для параллельного обмена данными на графических процессорах.

Мобильные компьютеры

В связи с тенденцией увеличения мощности мобильных графических процессоров универсальное программирование стало доступно также на мобильных устройствах, работающих под управлением основных мобильные операционные системы.

Google Android 4.2 включен запуск RenderScript код на графическом процессоре мобильного устройства.[25] яблоко представил собственный Металл API для iOS приложения, способные выполнять произвольный код через вычислительные шейдеры графического процессора Apple.

Поддержка оборудования

Компьютер видеокарты производятся различными поставщиками, такими как Nvidia, AMD, и ATI. Карты таких производителей различаются реализацией поддержки формата данных, например целое число и плавающая точка форматы (32-битные и 64-битные). Microsoft представил Шейдерная модель стандартный, чтобы упорядочить различные функции графических карт по простому номеру версии модели шейдера (1.0, 2.0, 3.0 и т. д.).

Целые числа

Поддерживаются только видеокарты до DirectX 9 палитра или целочисленные цветотипы. Доступны различные форматы, каждый из которых содержит красный элемент, зеленый элемент и синий элемент.[нужна цитата ] Иногда добавляется другое альфа-значение, используемое для прозрачности. Общие форматы:

  • 8 бит на пиксель - иногда режим палитры, где каждое значение является индексом в таблице с реальным значением цвета, указанным в одном из других форматов. Иногда три бита для красного, три бита для зеленого и два бита для синего.
  • 16 бит на пиксель - обычно биты выделяются как пять бит для красного, шесть бит для зеленого и пять бит для синего.
  • 24 бита на пиксель - есть восемь бит для красного, зеленого и синего цветов.
  • 32 бита на пиксель - есть восемь бит для красного, зеленого, синего и альфа.

Числа с плавающей запятой

Для раннего фиксированная функция или графики с ограниченной программируемостью (т.е. вплоть до графических процессоров, совместимых с DirectX 8.1 включительно), этого было достаточно, потому что это представление также используется в дисплеях. Важно отметить, что это представление имеет определенные ограничения. При достаточной мощности обработки графики даже программисты хотели бы использовать более качественные форматы, такие как плавающая точка форматы данных, чтобы получить такие эффекты, как визуализация с высоким динамическим диапазоном. Многие приложения GPGPU требуют точности с плавающей запятой, которые поставляются с видеокартами, соответствующими спецификации DirectX 9.

В DirectX 9 Shader Model 2.x предлагается поддержка двух типов точности: полной и частичной. Поддержка полной точности может быть FP32 или FP24 (32- или 24-битная с плавающей запятой на компонент) или выше, а частичная точность - FP16. ATI Radeon R300 серия графических процессоров поддерживала точность FP24 только в конвейере программируемых фрагментов (хотя FP32 поддерживался в вершинных процессорах), в то время как Nvidia с NV30 серия поддерживает как FP16, так и FP32; другие поставщики, такие как S3 Графика и XGI поддерживает смесь форматов вплоть до FP24.

Реализации с плавающей запятой на графических процессорах Nvidia в основном IEEE совместимый; однако это верно не для всех поставщиков.[26] Это имеет последствия для правильности, которые считаются важными для некоторых научных приложений. Хотя 64-битные значения с плавающей запятой (с плавающей запятой двойной точности) обычно доступны в процессорах, они не всегда поддерживаются графическими процессорами. Некоторые архитектуры графических процессоров жертвуют соответствием IEEE, в то время как другим не хватает двойной точности. Были предприняты попытки эмулировать значения с плавающей запятой двойной точности на графических процессорах; однако компромисс в скорости сводит на нет какие-либо преимущества от переноса вычислений на GPU.[27]

Векторизация

Большинство операций на GPU работают в векторизованном виде: одна операция может выполняться одновременно с четырьмя значениями. Например, если один цвет должен быть модулирован другим цветом , графический процессор может создать результирующий цвет в одном операция. Эта функция полезна в графике, потому что почти каждый базовый тип данных является векторным (2-, 3- или 4-мерным).[нужна цитата ] Примеры включают вершины, цвета, векторы нормалей и координаты текстуры. Многие другие приложения могут найти это хорошее применение, и из-за их более высокой производительности векторные инструкции, называемые одной инструкцией, несколькими данными (SIMD ), уже давно доступны для процессоров.[нужна цитата ]

GPU против CPU

Первоначально данные просто передавались в одну сторону из центральное процессорное устройство (CPU) в графический процессор (GPU), затем в устройство отображения. Однако со временем для графических процессоров стало полезно хранить сначала простые, а затем сложные структуры данных, которые затем передавались обратно в ЦП, который анализировал изображение, или набор научных данных, представленных как 2D- или 3D-формат, который видеокарта может понять. Поскольку графический процессор имеет доступ к каждой операции отрисовки, он может быстро анализировать данные в этих формах, тогда как центральный процессор должен опрашивать каждый пиксель или элемент данных намного медленнее, так как скорость доступа между процессором и его большим пулом оперативная память (или, в худшем случае, жесткий диск ) медленнее, чем графические процессоры и видеокарты, которые обычно содержат меньшие объемы более дорогой памяти, доступ к которой намного быстрее. Передача части набора данных для активного анализа в эту память графического процессора в виде текстур или других легко читаемых форм графического процессора приводит к увеличению скорости. Отличительной особенностью конструкции GPGPU является возможность передачи информации двунаправленно обратно от GPU к CPU; как правило, скорость передачи данных в обоих направлениях идеально высока, что приводит к множитель влияние на скорость конкретного использования алгоритм. Конвейеры GPGPU могут повысить эффективность особенно больших наборов данных и / или данных, содержащих 2D или 3D изображения. Он используется в сложных графических конвейерах, а также в научные вычисления; тем более в полях с большими наборами данных, например картирование генома, или когда полезен двух- или трехмерный анализ - особенно в настоящее время биомолекула анализ, белок учеба и другие сложные органическая химия. Такие трубопроводы также могут значительно повысить эффективность обработка изображений и компьютерное зрение, среди других областей; а также параллельная обработка в общем. Некоторые очень сильно оптимизированные конвейеры дали увеличение скорости в несколько сотен раз по сравнению с исходным конвейером на базе ЦП при выполнении одной часто используемой задачи.

Простым примером может служить программа на GPU, которая собирает данные о среднем освещение значений, поскольку он передает изображение с камеры или компьютерной графической программы обратно в основную программу на ЦП, чтобы ЦП мог затем вносить изменения в общий вид экрана. Более сложный пример может использовать обнаружение края чтобы вернуть как числовую информацию, так и обработанное изображение, представляющее контуры, в компьютерное зрение программа, управляющая, скажем, мобильным роботом. Поскольку графический процессор имеет быстрый и локальный аппаратный доступ ко всем пиксель или другой элемент изображения в изображении, он может анализировать и усреднять его (для первого примера) или применять Краевой фильтр Собеля или другой свертка фильтр (для второго) с гораздо большей скоростью, чем ЦП, который обычно должен обращаться медленнее оперативная память копии рассматриваемой графики.

GPGPU - это принципиально концепция программного обеспечения, а не аппаратного обеспечения; это тип алгоритм, а не часть оборудования. Однако специализированное оборудование может еще больше повысить эффективность конвейеров GPGPU, которые традиционно выполняют относительно мало алгоритмов с очень большими объемами данных. Таким образом, массово распараллеленные задачи на уровне гигантских данных могут быть распараллелены еще больше с помощью специализированных настроек, таких как стоечные вычисления (многие аналогичные узкоспециализированные машины встроены в стойка), который добавляет третий уровень - множество вычислительных блоков, каждое из которых использует много процессоров, чтобы соответствовать множеству графических процессоров. Немного Биткойн «горняки» использовали такие установки для обработки больших объемов.

Кеши

Исторически сложилось так, что процессоры использовали аппаратное управление тайники, но более ранние графические процессоры предоставляли только программно управляемую локальную память. Однако, поскольку графические процессоры все чаще используются для приложений общего назначения, современные графические процессоры разрабатываются с аппаратно управляемыми многоуровневыми кэшами.[28] которые помогли графическим процессорам перейти к массовым вычислениям. Например, GeForce 200 серии Графические процессоры архитектуры GT200 не имели кеш-памяти второго уровня, Ферми GPU имеет 768 KiB кеш-памяти последнего уровня, Кеплер GPU имеет 1,5 МБ кеш-памяти последнего уровня,[28][29] то Максвелл GPU имеет 2 МБ кеш-памяти последнего уровня, а Паскаль Графический процессор имеет кеш-память последнего уровня 4 МБ.

Зарегистрировать файл

GPU имеют очень большие зарегистрировать файлы, что позволяет уменьшить задержку переключения контекста. Размер файла регистров также увеличивается в зависимости от поколения графических процессоров, например, общий размер файла регистров на графических процессорах Maxwell (GM200), Pascal и Volta составляет 6 МБ, 14 МБ и 20 МБ соответственно.[30][31][32] Для сравнения, размер регистрационный файл на CPU небольшой, обычно десятки или сотни килобайт.[30]

Энергоэффективность

Высокая производительность графических процессоров достигается за счет высокого энергопотребления, которое при полной нагрузке фактически равно мощности всей остальной системы ПК вместе взятой.[33] Максимальное энергопотребление графического процессора серии Pascal (Tesla P100) было указано на уровне 250 Вт.[34] В нескольких исследовательских проектах сравнивалась энергоэффективность графических процессоров с процессорами и ПЛИС.[35]

Потоковая обработка

Основная статья: Потоковая обработка

Графические процессоры разработаны специально для графики и поэтому очень ограничены в операциях и программировании. Благодаря своей конструкции графические процессоры эффективны только для тех задач, которые можно решить с помощью потоковая обработка и оборудование можно использовать только определенным образом.

Следующее обсуждение, касающееся вершин, фрагментов и текстур, касается в основном устаревшей модели программирования GPGPU, в которой графические API (OpenGL или же DirectX ) использовались для выполнения универсальных вычислений. С введением CUDA (Nvidia, 2007) и OpenCL (независимый от производителя, 2008 г.) универсальные вычислительные API-интерфейсы, в новых кодах GPGPU больше нет необходимости сопоставлять вычисления с графическими примитивами. Природа потоковой обработки графических процессоров остается в силе независимо от используемых API. (См., Например,[36])

Графические процессоры могут обрабатывать только независимые вершины и фрагменты, но могут обрабатывать многие из них параллельно. Это особенно эффективно, когда программист хочет одинаково обработать множество вершин или фрагментов. В этом смысле графические процессоры - это потоковые процессоры - процессоры, которые могут работать параллельно, выполняя одно ядро ​​сразу для множества записей в потоке.

А транслировать представляет собой просто набор записей, требующих аналогичных вычислений. Потоки обеспечивают параллелизм данных. Ядра - это функции, которые применяются к каждому элементу в потоке. В графических процессорах вершины и фрагменты - это элементы в потоках, а вершинные и фрагментные шейдеры - это ядра, которые будут запускаться на них.[сомнительный – обсуждать] Для каждого элемента мы можем только читать из ввода, выполнять с ним операции и записывать в вывод. Допустимо иметь несколько входов и несколько выходов, но никогда не использовать часть памяти, которая может быть как читаемой, так и записываемой.[нечеткий ]

Арифметическая интенсивность определяется как количество операций, выполняемых на одно слово переданной памяти. Для приложений GPGPU важно иметь высокую арифметическую интенсивность, иначе задержка доступа к памяти ограничит ускорение вычислений.[37]

Идеальные приложения GPGPU имеют большие наборы данных, высокий уровень параллелизма и минимальную зависимость между элементами данных.

Концепции программирования GPU

Вычислительные ресурсы

На GPU доступны различные вычислительные ресурсы:

  • Программируемые процессоры - вершинные, примитивные, фрагментные и в основном вычислительные конвейеры позволяют программисту выполнять ядро ​​над потоками данных.
  • Растеризатор - создает фрагменты и интерполирует константы для каждой вершины, такие как координаты текстуры и цвет.
  • Блок текстуры - интерфейс памяти только для чтения
  • Framebuffer - интерфейс памяти только для записи

Фактически, программа может заменить текстуру только для записи для вывода вместо фреймбуфера. Это делается либо через Рендеринг в текстуру (RTT), Render-To-Backbuffer-Copy-To-Texture (RTBCTT) или более поздняя потоковая передача.

Текстуры как поток

Наиболее распространенной формой потока в GPGPU является двухмерная сетка, потому что она естественным образом соответствует модели рендеринга, встроенной в графические процессоры. Многие вычисления естественным образом отображаются в сетки: матричная алгебра, обработка изображений, физическое моделирование и т. Д.

Поскольку текстуры используются как память, поиск текстуры затем используется как чтение памяти. Из-за этого некоторые операции могут выполняться автоматически графическим процессором.

Ядра

Вычислить ядра можно рассматривать как тело петли. Например, программист, работающий с сеткой на ЦП, может иметь код, который выглядит следующим образом:

// Входные и выходные сетки имеют 10000 x 10000 или 100 миллионов элементов.пустота transform_10k_by_10k_grid(плавать в[10000][10000], плавать из[10000][10000]){    за (int Икс = 0; Икс < 10000; Икс++) {        за (int у = 0; у < 10000; у++) {            // Следующая строка выполняется 100 миллионов раз            из[Икс][у] = do_some_hard_work(в[Икс][у]);        }    }}

На графическом процессоре программист указывает только тело цикла как ядро ​​и данные, которые нужно перебирать, вызывая обработку геометрии.

Управление потоком

В последовательном коде можно управлять потоком программы с помощью операторов if-then-else и различных форм циклов. Такие структуры управления потоком только недавно были добавлены в графические процессоры.[38] Условная запись могла выполняться с использованием правильно созданной серии арифметических / битовых операций, но цикл и условное ветвление были невозможны.

Последние графические процессоры допускают ветвление, но обычно со снижением производительности. Обычно следует избегать ветвления во внутренних циклах, будь то код ЦП или ГП, а также в различных методах, таких как статическое разрешение ветвления, предварительное вычисление, прогнозирование, разделение цикла,[39] и Z-отбраковка[40] может использоваться для достижения ветвления, когда аппаратная поддержка отсутствует.

Методы GPU

карта

Основная статья: Карта (параллельный узор)

Операция map просто применяет данную функцию (ядро) к каждому элементу потока. Простой пример - это умножение каждого значения в потоке на константу (увеличение яркости изображения). Операцию карты просто реализовать на GPU. Программист генерирует фрагмент для каждого пикселя на экране и применяет программу фрагмента к каждому пикселю. Поток результатов того же размера сохраняется в выходном буфере.

Уменьшать

Основная статья: Сгиб (функция высшего порядка)

Некоторые вычисления требуют вычисления меньшего потока (возможно, потока только из одного элемента) из большего потока. Это называется уменьшением потока. Как правило, сокращение может выполняться в несколько этапов. Результаты предыдущего шага используются в качестве входных данных для текущего шага, а диапазон, в котором применяется операция, сокращается до тех пор, пока не останется только один элемент потока.

Фильтрация потоков

По сути, потоковая фильтрация - это неравномерное сокращение. Фильтрация включает удаление элементов из потока на основе некоторых критериев.

Сканировать

Операция сканирования, также называемая сумма параллельного префикса, принимает вектор (поток) элементов данных и (произвольная) ассоциативная бинарная функция '+' с тождественным элементом 'i'. Если на входе [a0, a1, a2, a3, ...], an эксклюзивное сканирование производит вывод [i, a0, a0 + a1, a0 + a1 + a2, ...], в то время как инклюзивное сканирование производит вывод [a0, a0 + a1, a0 + a1 + a2, a0 + a1 + a2 + a3, ...] и не требует удостоверения личности существовать. Хотя на первый взгляд операция может показаться изначально последовательной, эффективные алгоритмы параллельного сканирования возможны и были реализованы на графических процессорах. Операция сканирования используется, например, в быстрой сортировке и умножении разреженной матрицы на вектор.[36][41][42][43]

Разброс

В разбросать операция наиболее естественно определяется на вершинном процессоре. Вершинный процессор может регулировать положение вершина, который позволяет программисту контролировать, где информация размещается в сетке. Также возможны другие расширения, такие как управление размером области, на которую влияет вершина.

Обработчик фрагментов не может выполнять прямую операцию разброса, потому что положение каждого фрагмента в сетке фиксируется во время создания фрагмента и не может быть изменено программистом. Однако иногда операция логического разброса может быть преобразована или реализована с другим шагом сбора данных. Реализация разброса сначала будет выдавать и выходное значение, и выходной адрес. Сразу после операции сбора используются сравнения адресов, чтобы увидеть, отображается ли выходное значение в текущий выходной слот.

В посвященных вычислить ядра, разброс может выполняться с помощью индексированных записей.

Собирать

Собирать является обратной по отношению к разбросу. После того, как разброс переупорядочивает элементы в соответствии с картой, сборка может восстановить порядок элементов в соответствии с используемым разбросом карты. В выделенных вычислительных ядрах сбор данных может выполняться индексированными чтениями. В других шейдерах это выполняется с поиском текстур.

Сортировать

Операция сортировки преобразует неупорядоченный набор элементов в упорядоченный набор элементов. Наиболее распространенная реализация на графических процессорах - использование радиальная сортировка для целочисленных данных и данных с плавающей запятой и крупнозернистых Сортировка слиянием и мелкозернистый сортировочные сети для общих сопоставимых данных.[44][45]

Поиск

Операция поиска позволяет программисту найти данный элемент в потоке или, возможно, найти соседей указанного элемента. Графический процессор не используется для ускорения поиска отдельного элемента, а вместо этого используется для параллельного выполнения нескольких поисков.[нужна цитата ]В основном используется метод поиска бинарный поиск по отсортированным элементам.

Структуры данных

На GPU могут быть представлены самые разные структуры данных:

Приложения

Ниже приведены некоторые из областей, в которых графические процессоры использовались для вычислений общего назначения:

Биоинформатика

Использование GPGPU в биоинформатике:[60][84]

ЗаявлениеОписаниеПоддерживаемые функцииОжидаемое ускорение †GPU ‡Поддержка нескольких GPUСтатус выпуска
BarraCUDAДНК, включая эпигенетику, программное обеспечение для картирования последовательностей[85]Выравнивание считываний коротких секвенирований6–10xТ 2075, 2090, К10, К20, К20ХдаДоступен сейчас, версия 0.7.107f
CUDASW ++Программное обеспечение с открытым исходным кодом для поиска в базе данных белков Smith-Waterman на графических процессорахПараллельный поиск в базе данных Smith-Waterman10–50xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 2.0.8
CUSHAWПараллельный выравниватель короткого чтенияПараллельный, точный выравниватель с длинным считыванием - выравнивание с разрывом для больших геномов10xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 1.0.40
GPU-BLASTЛокальный поиск с быстрым k-tuple эвристикаВыравнивание белков в соответствии с blastp, многопроцессорными потоками3–4 разаТ 2075, 2090, К10, К20, К20ХТолько одинУже доступна, версия 2.2.26
GPU-HMMERПараллельный локальный и глобальный поиск с профильными скрытыми марковскими моделямиПараллельный локальный и глобальный поиск скрытых марковских моделей60–100xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 2.3.2
mCUDA-цМемСверхбыстрый масштабируемый алгоритм обнаружения мотивов на основе цМемаМасштабируемый алгоритм обнаружения мотивов на основе цМема4–10xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 3.0.12
SeqNFindНабор инструментов для анализа последовательностей с ускорением на GPUЭталонная сборка, взрыв, Смит – Уотерман, хм, сборка de novo400xТ 2075, 2090, К10, К20, К20ХдаДоступен сейчас
UGENEОткрытый исходный код Smith – Waterman для SSE / CUDA, поиск повторов на основе массива суффиксов и точечная диаграммаБыстрое выравнивание по короткому чтению6–8xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 1.11
WideLMПодходит для множества линейных моделей с фиксированным дизайном и откликомПараллельная линейная регрессия на нескольких моделях схожей формы150xТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 0.1-1

Молекулярная динамика

Дальнейшая информация: Молекулярное моделирование на графических процессорах и Сравнение программного обеспечения для моделирования молекулярной механики
ЗаявлениеОписаниеПоддерживаемые функцииОжидаемое ускорение †GPU ‡Поддержка нескольких GPUСтатус выпуска
Морское ушкоМоделирует молекулярную динамику биополимеров для моделирования белков, ДНК и лигандов.Явный и неявный растворитель, гибрид Монте-Карло4–120xТ 2075, 2090, К10, К20, К20ХТолько одинУже доступна, версия 1.8.88
ACEMDGPU-моделирование силовых полей молекулярной механики, неявный и явный растворительНаписано для использования на графических процессорахТолько версия с графическим процессором 160 нс / деньТ 2075, 2090, К10, К20, К20ХдаДоступен сейчас
ЯНТАРЬНабор программ для моделирования молекулярной динамики биомолекулPMEMD: явный и неявный растворитель89,44 нс / день JAC NVEТ 2075, 2090, К10, К20, К20ХдаДоступно сейчас, версия 12 + bugfix9
DL-POLYМоделирование макромолекул, полимеров, ионных систем и т. Д. На параллельном компьютере с распределенной памятьюДвухчастичные силы, пары связь-клетка, силы Эвальда SPME, Shake VV4xТ 2075, 2090, К10, К20, К20ХдаДоступно сейчас, только исходник версии 4.0
ОчарованиеПакет MD для моделирования молекулярной динамики биомолекул.Неявный (5x), явный (2x) растворитель через OpenMMTBDТ 2075, 2090, К10, К20, К20ХдаВ разработке Q4 / 12
GROMACSМоделируйте биохимические молекулы со сложными взаимодействиями связейНеявный (5x), явный (2x) растворитель165 нс / день DHFRТ 2075, 2090, К10, К20, К20ХТолько одинДоступна уже сейчас, версия 4.6 в 4 квартале 2012 г.
HOOMD-СинийРазработан пакет динамики частиц для графических процессоровНаписано для графических процессоров2xТ 2075, 2090, К10, К20, К20ХдаДоступен сейчас
ЛАМПЫПакет классической молекулярной динамикиLennard-Jones, Morse, Buckingham, CHARMM, табулированный, SDK конечно-зернистости, анизотропный Гей-Берн, RE-квадрат, "гибридные" комбинации3–18xТ 2075, 2090, К10, К20, К20ХдаДоступен сейчас
NAMDРазработан для высокопроизводительного моделирования больших молекулярных систем100M атом способен6,44 нс / сутки STMV 585x 2050 сТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 2.9
OpenMMБиблиотека и приложение для молекулярной динамики для HPC с графическими процессорамиНеявный и явный растворитель, таможенные силыНеявный: 127–213 нс / день; Явный: 18–55 нс / день DHFRТ 2075, 2090, К10, К20, К20ХдаУже доступна, версия 4.1.1

† Ожидаемое ускорение во многом зависит от конфигурации системы. Производительность графического процессора по сравнению с многоядерным процессором x86. Производительность графического процессора оценивается на основе поддерживаемых функций графического процессора и может быть сравнением производительности ядра с ядром. Подробные сведения об используемой конфигурации см. На веб-сайте приложения. Ускорение согласно внутреннему тестированию Nvidia или документации независимых поставщиков программного обеспечения.

‡ Q =Графический процессор Quadro, T =Tesla GPU. Nvidia рекомендовала графические процессоры для этого приложения. Обратитесь к разработчику или независимому поставщику программного обеспечения для получения информации о сертификации.

Смотрите также

Рекомендации

  1. ^ Фунг и др., «Опосредованная реальность с использованием оборудования компьютерной графики для компьютерного зрения» В архиве 2 апреля 2012 г. Wayback Machine, Труды Международного симпозиума по носимым компьютерам 2002 г. (ISWC2002), Сиэтл, Вашингтон, США, 7–10 октября 2002 г., стр. 83–89.
  2. ^ Безликая проективная оценка движения на основе видео EyeTap с помощью гироскопического отслеживания для носимый компьютер опосредованная реальность, ACM Personal and Ubiquitous Computing, опубликованная Springer Verlag, Vol.7, Iss. 3, 2003.
  3. ^ "Обработка сигналов компьютерного зрения на графических процессорах", Труды Международной конференции IEEE по акустике, речи и обработке сигналов (ICASSP 2004) В архиве 19 августа 2011 г. Wayback Machine: Монреаль, Квебек, Канада, 17–21 мая 2004 г., стр. V-93 - V-96.
  4. ^ Читти, Д. М. (2007, июль). Параллельный подход к генетическому программированию с использованием программируемого графического оборудования В архиве 8 августа 2017 г. Wayback Machine. В материалах 9-й ежегодной конференции по генетическим и эволюционным вычислениям (стр. 1566-1573). ACM.
  5. ^ «Использование нескольких графических карт в качестве параллельного компьютера общего назначения: приложения для компьютерного зрения», Труды 17-й Международной конференции по распознаванию образов (ICPR2004) В архиве 18 июля 2011 г. Wayback Machine, Кембридж, Соединенное Королевство, 23–26 августа 2004 г., том 1, страницы 805–808.
  6. ^ Mittal, S .; Веттер, Дж. (2015). "Обзор методов гетерогенных вычислений CPU-GPU". Опросы ACM Computing. 47 (4): 1–35. Дои:10.1145/2788396. OSTI  1265534. S2CID  9436861.
  7. ^ Халл, Джеральд (декабрь 1987). "ЖИЗНЬ". Удивительные вычисления. 2 (12): 81–84.
  8. ^ а б c Ду, Пэн; Вебер, Рик; Лущек, Петр; Томов, Станимире; Петерсон, Грегори; Донгарра, Джек (2012). "From CUDA to OpenCL: Towards a performance-portable solution for multi-platform GPU programming". Parallel Computing. 38 (8): 391–407. CiteSeerX  10.1.1.193.7712. Дои:10.1016/j.parco.2011.10.002.
  9. ^ Tarditi, David; Puri, Sidd; Oglesby, Jose (2006). "Accelerator: using data parallelism to program GPUs for general-purpose uses" (PDF). ACM SIGARCH Computer Architecture News. 34 (5). Дои:10.1145/1168919.1168898.
  10. ^ Che, Shuai; Boyer, Michael; Meng, Jiayuan; Tarjan, D.; Sheaffer, Jeremy W.; Skadron, Kevin (2008). "A performance study of general-purpose applications on graphics processors using CUDA". J. Parallel and Distributed Computing. 68 (10): 1370–1380. CiteSeerX  10.1.1.143.4849. Дои:10.1016/j.jpdc.2008.05.014.
  11. ^ "OpenCL Gains Ground on CUDA". 28 February 2012. В архиве from the original on 23 April 2012. Получено 10 апреля 2012. "As the two major programming frameworks for GPU computing, OpenCL and CUDA have been competing for mindshare in the developer community for the past few years."
  12. ^ "Xcelerit SDK". XceleritSDK. 26 октября 2015 г. В архиве from the original on 8 March 2018.
  13. ^ "Home page". Xcelerit. В архиве from the original on 8 March 2018.
  14. ^ James Fung, Steve Mann, Chris Aimone, "OpenVIDIA: Parallel GPU Computer Vision ", Proceedings of the ACM Multimedia 2005, Singapore, 6–11 November 2005, pages 849–852
  15. ^ "Hybridizer". Hybridizer. В архиве from the original on 17 October 2017.
  16. ^ "Home page". Altimesh. В архиве from the original on 17 October 2017.
  17. ^ "Hybridizer generics and inheritance". 27 July 2017. В архиве from the original on 17 October 2017.
  18. ^ "Debugging and Profiling with Hybridizer". 5 June 2017. В архиве from the original on 17 October 2017.
  19. ^ "Introduction". Alea GPU. В архиве from the original on 25 December 2016. Получено 15 декабря 2016.
  20. ^ "Home page". Quant Alea. В архиве from the original on 12 December 2016. Получено 15 декабря 2016.
  21. ^ "Use F# for GPU Programming". F# Software Foundation. Архивировано из оригинал on 18 December 2016. Получено 15 декабря 2016.
  22. ^ "Alea GPU Features". Quant Alea. В архиве from the original on 21 December 2016. Получено 15 декабря 2016.
  23. ^ "MATLAB Adds GPGPU Support". 20 September 2010. Archived from оригинал on 27 September 2010.
  24. ^ а б Joselli, Mark, et al. "A new physics engine with automatic process distribution between CPU-GPU." Proceedings of the 2008 ACM SIGGRAPH symposium on Video games. ACM, 2008.
  25. ^ "Android 4.2 APIs - Android Developers". developer.android.com. В архиве from the original on 26 August 2013.
  26. ^ Mapping computational concepts to GPUs: Mark Harris. Mapping computational concepts to GPUs. In ACM SIGGRAPH 2005 Courses (Los Angeles, California, 31 July – 4 August 2005). J. Fujii, Ed. SIGGRAPH '05. ACM Press, New York, NY, 50.
  27. ^ Double precision on GPUs (Proceedings of ASIM 2005) В архиве 21 August 2014 at the Wayback Machine: Dominik Goddeke, Robert Strzodka, and Stefan Turek. Accelerating Double Precision (FEM) Simulations with (GPUs). Proceedings of ASIM 2005 – 18th Symposium on Simulation Technique, 2005.
  28. ^ а б "A Survey of Techniques for Managing and Leveraging Caches in GPUs В архиве 16 February 2015 at the Wayback Machine ", S. Mittal, JCSC, 23(8), 2014.
  29. ^ "Nvidia-Kepler-GK110-Architecture-Whitepaper" (PDF). В архиве (PDF) from the original on 21 February 2015.
  30. ^ а б "A Survey of Techniques for Architecting and Managing GPU Register File В архиве 26 March 2016 at the Wayback Machine ", IEEE TPDS, 2016
  31. ^ "Inside Pascal: Nvidia’s Newest Computing Platform В архиве 7 May 2017 at the Wayback Machine "
  32. ^ "Inside Volta: The World’s Most Advanced Data Center GPU В архиве 1 January 2020 at the Wayback Machine "
  33. ^ "https://www.tomshardware.com/reviews/geforce-radeon-power,2122.html How Much Power Does Your Graphics Card Need?"
  34. ^ "https://images.nvidia.com/content/tesla/pdf/nvidia-tesla-p100-PCIe-datasheet.pdf Nvidia Tesla P100 GPU Accelerator В архиве 24 July 2018 at the Wayback Machine "
  35. ^ "A Survey of Methods for Analyzing and Improving GPU Energy Efficiency В архиве 4 September 2015 at the Wayback Machine ", Mittal et al., ACM Computing Surveys, 2014.
  36. ^ а б "D. Göddeke, 2010. Fast and Accurate Finite-Element Multigrid Solvers for PDE Simulations on GPU Clusters. Ph.D. dissertation, Technischen Universität Dortmund". В архиве from the original on 16 December 2014.
  37. ^ Asanovic, K.; Bodik, R.; Demmel, J.; Keaveny, T.; Keutzer, K.; Kubiatowicz, J.; Morgan, N.; Patterson, D.; Sen, K.; Wawrzynek, J.; Wessel, D.; Yelick, K. (2009). "A view of the parallel computing landscape". Commun. ACM. 52 (10): 56–67. Дои:10.1145/1562764.1562783.
  38. ^ "GPU Gems – Chapter 34, GPU Flow-Control Idioms".
  39. ^ Future Chips. "Tutorial on removing branches", 2011
  40. ^ GPGPU survey paper В архиве 4 January 2007 at the Wayback Machine: John D. Owens, David Luebke, Naga Govindaraju, Mark Harris, Jens Krüger, Aaron E. Lefohn, and Tim Purcell. "A Survey of General-Purpose Computation on Graphics Hardware". Computer Graphics Forum, volume 26, number 1, 2007, pp. 80–113.
  41. ^ "S. Sengupta, M. Harris, Y. Zhang, J. D. Owens, 2007. Scan primitives for GPU computing. In T. Aila and M. Segal (eds.): Graphics Hardware (2007)". Архивировано из оригинал 5 июня 2015 г.. Получено 16 декабря 2014.
  42. ^ Blelloch, G. E. (1989). "Scans as primitive parallel operations" (PDF). IEEE Transactions on Computers. 38 (11): 1526–1538. Дои:10.1109/12.42122. Архивировано из оригинал (PDF) on 23 September 2015. Получено 16 декабря 2014.
  43. ^ "M. Harris, S. Sengupta, J. D. Owens. Parallel Prefix Sum (Scan) with CUDA. In Nvidia: GPU Gems 3, Chapter 39".[постоянная мертвая ссылка ]
  44. ^ Merrill, Duane. Allocation-oriented Algorithm Design with Application to GPU Computing. Кандидат наук. dissertation, Department of Computer Science, University of Virginia. Dec. 2011.
  45. ^ Sean Baxter. Modern gpu В архиве 7 October 2016 at the Wayback Machine, 2013.
  46. ^ Leung, Alan, Ondřej Lhoták, and Ghulam Lashari. "Automatic parallelization for graphics processing units." Proceedings of the 7th International Conference on Principles and Practice of Programming in Java. ACM, 2009.
  47. ^ Henriksen, Troels, Martin Elsman, and Cosmin E. Oancea. "Size slicing: a hybrid approach to size inference in futhark." Proceedings of the 3rd ACM SIGPLAN workshop on Functional high-performance computing. ACM, 2014.
  48. ^ Baskaran, Muthu Manikandan, et al. "A compiler framework for optimization of affine loop nests for GPGPUs." Proceedings of the 22nd annual international conference on Supercomputing. ACM, 2008.
  49. ^ "K. Crane, I. Llamas, S. Tariq, 2008. Real-Time Simulation and Rendering of 3D Fluids. In Nvidia: GPU Gems 3, Chapter 30".[постоянная мертвая ссылка ]
  50. ^ "M. Harris, 2004. Fast Fluid Dynamics Simulation on the GPU. In Nvidia: GPU Gems, Chapter 38". В архиве from the original on 7 October 2017.
  51. ^ Block, Benjamin, Peter Virnau, and Tobias Preis. "Multi-GPU accelerated multi-spin Monte Carlo simulations of the 2D Ising model." Computer Physics Communications 181.9 (2010): 1549-1556.
  52. ^ Sun, Shanhui, Christian Bauer, and Reinhard Beichel. "Automated 3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach." IEEE transactions on medical imaging 31.2 (2011): 449-460.
  53. ^ Jimenez, Edward S., and Laurel J. Orr. "Rethinking the union of computed tomography reconstruction and GPGPU computing." Penetrating Radiation Systems and Applications XIV. Vol. 8854. International Society for Optics and Photonics, 2013.
  54. ^ Sørensen, Thomas Sangild, et al. "Accelerating the nonequispaced fast Fourier transform on commodity graphics hardware." IEEE Transactions on Medical Imaging 27.4 (2008): 538-547.
  55. ^ Fast k-nearest neighbor search using GPU. In Proceedings of the CVPR Workshop on Computer Vision on GPU, Anchorage, Alaska, USA, June 2008. V. Garcia and E. Debreuve and M. Barlaud.
  56. ^ M. Cococcioni, R. Grasso, M. Rixen, Rapid prototyping of high performance fuzzy computing applications using high level GPU programming for maritime operations support, in Proceedings of the 2011 IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA), Paris, 11–15 April 2011
  57. ^ Whalen, Sean. "Audio and the graphics processing unit." Author report, University of California Davis 47 (2005): 51.
  58. ^ Wilson, Ron (3 September 2009). "DSP brings you a high-definition moon walk". EDN. Архивировано из оригинал on 22 January 2013. Получено 3 сентября 2009. Lowry is reportedly using Nvidia Tesla GPUs (graphics-processing units) programmed in the company's CUDA (Compute Unified Device Architecture) to implement the algorithms. Nvidia claims that the GPUs are approximately two orders of magnitude faster than CPU computations, reducing the processing time to less than one minute per frame.
  59. ^ Alerstam, E.; Svensson, T.; Andersson-Engels, S. (2008). "Parallel computing with graphics processing units for high speed Monte Carlo simulation of photon migration" (PDF). Journal of Biomedical Optics. 13 (6): 060504. Bibcode:2008JBO....13f0504A. Дои:10.1117/1.3041496. PMID  19123645. В архиве (PDF) from the original on 9 August 2011.
  60. ^ а б c Hasan, Khondker S.; Chatterjee, Amlan; Radhakrishnan, Sridhar; Antonio, John K. (2014). "Performance Prediction Model and Analysis for Compute-Intensive Tasks on GPUs" (PDF). Advanced Information Systems Engineering (PDF). Lecture Notes in Computer Science. 7908. pp. 612–617. Дои:10.1007/978-3-662-44917-2_65. ISBN  978-3-642-38708-1.
  61. ^ "Computational Physics with GPUs: Lund Observatory". www.astro.lu.se. В архиве from the original on 12 July 2010.
  62. ^ Schatz, Michael C; Trapnell, Cole; Delcher, Arthur L; Varshney, Amitabh (2007). "High-throughput sequence alignment using Graphics Processing Units". BMC Bioinformatics. 8: 474. Дои:10.1186/1471-2105-8-474. ЧВК  2222658. PMID  18070356.
  63. ^ Svetlin A. Manavski; Giorgio Valle (2008). "CUDA compatible GPU cards as efficient hardware accelerators for Smith-Waterman sequence alignment". BMC Bioinformatics. 9 (Suppl. 2): S10. Дои:10.1186/1471-2105-9-s2-s10. ЧВК  2323659. PMID  18387198.
  64. ^ Olejnik, M; Steuwer, M; Gorlatch, S; Heider, D (15 November 2014). "gCUP: rapid GPU-based HIV-1 co-receptor usage prediction for next-generation sequencing". Биоинформатика. 30 (22): 3272–3. Дои:10.1093/bioinformatics/btu535. PMID  25123901.
  65. ^ Wang, Guohui, et al. "Accelerating computer vision algorithms using OpenCL framework on the mobile GPU-a case study." 2013 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2013.
  66. ^ GPU computing in OR В архиве 13 January 2015 at the Wayback Machine Vincent Boyer, Didier El Baz. "Recent Advances on GPU Computing in Operations Research". Parallel and Distributed Processing Symposium Workshops & PhD Forum (IPDPSW), 2013 IEEE 27th International, on pages: 1778–1787
  67. ^ Bukata, Libor; Sucha, Premysl; Hanzalek, Zdenek (2014). "Solving the Resource Constrained Project Scheduling Problem using the parallel Tabu Search designed for the CUDA platform". Journal of Parallel and Distributed Computing. 77: 58–68. arXiv:1711.04556. Дои:10.1016/j.jpdc.2014.11.005. S2CID  206391585.
  68. ^ Bäumelt, Zdeněk; Dvořák, Jan; Šůcha, Přemysl; Hanzálek, Zdeněk (2016). "A Novel Approach for Nurse Rerostering based on a Parallel Algorithm". European Journal of Operational Research. 251 (2): 624–639. Дои:10.1016/j.ejor.2015.11.022.
  69. ^ CTU-IIG В архиве 9 January 2016 at the Wayback Machine Czech Technical University in Prague, Industrial Informatics Group (2015).
  70. ^ NRRPGpu В архиве 9 January 2016 at the Wayback Machine Czech Technical University in Prague, Industrial Informatics Group (2015).
  71. ^ Naju Mancheril. "GPU-based Sorting in PostgreSQL" (PDF). School of Computer Science – Carnegie Mellon University. В архиве (PDF) from the original on 2 August 2011.
  72. ^ Manavski, Svetlin A. "CUDA compatible GPU as an efficient hardware accelerator for AES cryptography." 2007 IEEE International Conference on Signal Processing and Communications. IEEE, 2007.
  73. ^ Harrison, Owen; Waldron, John (2007). "AES Encryption Implementation and Analysis on Commodity Graphics Processing Units". Cryptographic Hardware and Embedded Systems - CHES 2007. Lecture Notes in Computer Science. 4727. п. 209. CiteSeerX  10.1.1.149.7643. Дои:10.1007/978-3-540-74735-2_15. ISBN  978-3-540-74734-5.
  74. ^ AES and modes of operations on SM4.0 compliant GPUs. В архиве 21 August 2010 at the Wayback Machine Owen Harrison, John Waldron, Practical Symmetric Key Cryptography on Modern Graphics Hardware. In proceedings of USENIX Security 2008.
  75. ^ Harrison, Owen; Waldron, John (2009). "Efficient Acceleration of Asymmetric Cryptography on Graphics Hardware". Progress in Cryptology – AFRICACRYPT 2009. Lecture Notes in Computer Science. 5580. п. 350. CiteSeerX  10.1.1.155.5448. Дои:10.1007/978-3-642-02384-2_22. ISBN  978-3-642-02383-5.
  76. ^ "Teraflop Troubles: The Power of Graphics Processing Units May Threaten the World's Password Security System". Georgia Tech Research Institute. Архивировано из оригинал 30 декабря 2010 г.. Получено 7 ноября 2010.
  77. ^ "Want to deter hackers? Make your password longer". Новости NBC. 19 августа 2010 г.. Получено 7 ноября 2010.
  78. ^ Lerner, Larry (9 April 2009). "Viewpoint: Mass GPUs, not CPUs for EDA simulations". EE Times. Получено 3 мая 2009.
  79. ^ "W2500 ADS Transient Convolution GT". accelerates signal integrity simulations on workstations that have Nvidia Compute Unified Device Architecture (CUDA)-based Graphics Processing Units (GPU)
  80. ^ GrAVity: A Massively Parallel Antivirus Engine В архиве 27 July 2010 at the Wayback Machine. Giorgos Vasiliadis and Sotiris Ioannidis, GrAVity: A Massively Parallel Antivirus Engine. In proceedings of RAID 2010.
  81. ^ "Kaspersky Lab utilizes Nvidia technologies to enhance protection". Kaspersky Lab. 14 December 2009. В архиве from the original on 19 June 2010. During internal testing, the Tesla S1070 demonstrated a 360-fold increase in the speed of the similarity-defining algorithm when compared to the popular Intel Core 2 Duo central processor running at a clock speed of 2.6 GHz.
  82. ^ Gnort: High Performance Network Intrusion Detection Using Graphics Processors В архиве 9 April 2011 at the Wayback Machine. Giorgos Vasiliadis et al., Gnort: High Performance Network Intrusion Detection Using Graphics Processors. In proceedings of RAID 2008.
  83. ^ Regular Expression Matching on Graphics Hardware for Intrusion Detection В архиве 27 July 2010 at the Wayback Machine. Giorgos Vasiliadis et al., Regular Expression Matching on Graphics Hardware for Intrusion Detection. In proceedings of RAID 2009.
  84. ^ «Архивная копия» (PDF). В архиве (PDF) from the original on 25 March 2013. Получено 12 сентября 2013.CS1 maint: заархивированная копия как заголовок (связь)
  85. ^ Langdon, William B; Lam, Brian Yee Hong; Petke, Justyna; Harman, Mark (2015). "Improving CUDA DNA Analysis Software with Genetic Programming". Proceedings of the 2015 on Genetic and Evolutionary Computation Conference - GECCO '15. pp. 1063–1070. Дои:10.1145/2739480.2754652. ISBN  9781450334723. S2CID  8992769.

внешняя ссылка