Mens en almindelig CPU i en pc kan lave eksempelvis fire samtidige beregninger, kan et potent grafikkort til computerspil i samme pc foretage over 1.000 samtidige beregninger. Og det giver unikke muligheder for at lave algoritmer, der kan knuse regnekraftudfordringer i forbindelse med alt fra aktiehandler til vejrmodeller.

Det skyldes, at moderne grafikprocessorer kan indeholde mere end 1.000 kerner, mens en CPU tilsammenligning har omkring 4.

Det kan dog være sin sag at lave software, der kan udnytte den latente regnekraft i grafikkortets processor, kaldet GPU (Graphical Processing Unit). Men to danske ingeniørstuderende ved Institut for Elektroniske Systemer ved Aalborg Universitet arbejder på at sætte regnekraften fri, så den kan bruges til optimering af ikke-konveks optimeringsproblemer.

Regnemuskler skal udnyttes

Søren Rasmussen og Mads Berre er på vej til USA for at lave deres 9. og 10.-semesters afgangsprojekt i samarbejde med Georgia Institute of Technology og virksomheden AccelerEyes. Projektet går ud på at gøre det lettere for udviklere, eksempelvis inden for finansverdenen, at udnytte den store regnekraft, der gemmer sig i grafikprocessoren.

»Der findes måder at programmere grafikprocessorer på i dag, men da det er et forholdsvist nyt område, tager det lang tid at gøre det, og det er svært at få til at køre godt,« siger Søren Rasmussen.

Programmering af en GPU kan foregå via CUDA (Compute Unified Device Architecture), som er udviklet af grafikkortproducenten Nvidia. Softwareudviklere kan få adgang til CUDA via interfaces i forskellige programmeringssprog, men det kan være en omstændelig proces, forklarer Mads Berre.

»Vores projekt fokuserer på at udvikle software, som skjuler for udviklerne, at det faktisk er regnekraften i grafikkortet, de udnytter. Vi koder det lag, der ligger mellem et softwareprogram og grafikkortet,« siger han.

Tanken er, at give softwareudviklere adgang til regnekraften i GPU'en uden at skulle sætte sig ind i CUDA, men blot ved at downloade et softwarebibliotek fra nettet, fortæller Søren Rasmussen.

»Så snart udvikleren kalder en funktion i vores softwarebibliotek, så sørger en algoritme for, at grafikkortet bliver kaldt, så GPU'en bliver udnyttet,« siger han.

Dermed er det meningen at gøre det transparent for softwareudvikleren, at det er GPU'en i stedet for CPU'ens regnekraft, der bliver udnyttet.

GPU og CPU regner forskelligt

Når det ikke er sådan helt ligetil at skrive software, der kan udnytte en GPU, skyldes det, at det generelt kan være vanskeligt lave programmer, der uden videre kan drage fordel af parallel regnekraft. Og så fungerer GPU'en grundlæggende forskelligt fra den almindelige processor i en computer, forklarer Søren Rasmussen.

For mens en CPU med fire kerner kan lave fire forskellige opgaver uafhængigt af hinanden, så betyder den måde, GPU'en er konstrueret på, at alle dens kerner kører den samme algoritme, fortæller Søren Rasmussen.

Det vil sige, at en GPU ganske vist kan være i stand til at lave 1.000 samtidige beregninger, men kun én beregningstype ad gangen. Det er netop den form for beregning, der foregår i 3D-skydespil, som har været med til at drive udviklingen inden for GPU-regnekraft.

»Det er det, der sker i spil, hvor man afvikler 3D-grafik. Det er i høj grad parallelle beregninger,« siger Søren Rasmussen.

Men GPU'ens regnekraft egner sig dog også til andet end skydespil. Den parallelle regnekraft kan nemlig til at løse ikke-konveks optimeringsproblemer.

»Når der er mange variable, der kan skrues på i en algoritme, så kan GPU'ens mange kerner bruges til at finde den bedste indstilling forholdsvis hurtigt,« Søren Rasmussen.

Det skyldes, at en GPU med eksempelvis 1.000 kerner kan behandle 1.000 forskellige input samtidig i den samme algoritme, hvilket gør det hurtigere at finde et godt resultat. Til sammenligning vil en CPU med fire kerner kunne behandle fire input på samme tid.

Interessant for aktieanalyse og vejrmodeller

Søren Rasmussen forklarer, at det blandt andet gør GPU-regnekraften interessant for aktieanalytikere, fordi 1.000 samtidige beregninger gør det hurtige at finde ud af, hvornår det bedst kan betale sig at købe eller sælge. Den parallelle regnekraft er også interessant inden for en lang række andre områder, blandt andet i forhold til beregningsmodeller for radiokommunikation.

De studerende har fået kontakt til Georgia Institute of Technology og AccelerEyes via projektet SparSign og deres vejleder professor Torben Larsen fra Institut for Elektroniske Systemer. Mads Berre glæder sig til at komme til USA i forbindelse med det udvidede afgangsprojekt:

»For os er det en mulighed for at komme ud og opleve verden og opleve et førende universitet, hvor vi kan få nogle kompetencer og erfaring inden for vores fagområde.«