OpenCL RK4とGPUの統合

Question

OpenCLを使用して積分器を並列化するとき、ループ全体をカーネルに入れるのは悪い習慣ですか？

私はC++で書いたRK4インテグレータをOpenCLに移動しようとしています。そのため、現在はOpenMPを使用しています。

私は、実行ごとに約700回のループ反復で、1000万回以上の独立した統合実行を実行する必要があります。私は現在ループをカーネルにストップコンディションで書き込んでいますが、期待通りのパフォーマンスは得られません。

現在のCLカーネルは、スニペット：

` 
while (inPos.z > -1.0f){ 
     cnt++; 
     //Eval 1 

     //Euler Velocity 
     vel1 = inVel + (inAcc * 0.0f); 
     //Euler Position 
     pos1 = inPos + (vel1 * 0.0f) + ((inAcc * 0.0f)*0.5f); 

     //Drag and accels 
     combVel = sqrt(pow(vel1.x, 2)+pow(vel1.y, 2)+pow(vel1.z, 2)); 
     //motionUtils::drag(netForce, combVel, mortSigma, outPos.z); 
     dragForce = mortSigma*1.225f*pow(combVel, 2); 
     //Normalise vector 
     normVel = vel1/combVel; 
     //Drag Components 
     drag = (normVel * dragForce)*-1.0f; 
     //Add Gravity force 
     drag.z+=((mortMass*9.801f)*-1.0f); 
     //Acceleration components 
     acc1 = drag/mortMass; 

     ... 

     //Taylor Expansion 
     tayVel = (vel1+((vel2+vel3)*2.0f)+vel4) * (1.0f/6.0f); 
     inAcc = (acc1+((acc2+acc3)*2.0f)+acc4) * (1.0f/6.0f); 
     tayPos = (pos1+((pos2+pos3)*2.0f)+pos4) * (1.0f/6.0f); 

     //Swap ready for next iteration 
     inPos = inPos + (tayVel * timeStep); 
     inVel = inVel + (inAcc * timeStep); 

` 任意の考え/提案を、はるかに高く評価します。

Answer 1

は遅い関数の高速化（およびより少ない正確​​な）バージョンを試す：

normVel = vel1 * combVel; 

に

sqrt(pow(vel1.x, 2)+pow(vel1.y, 2)+pow(vel1.z, 2)) 

に

native_rsqrt(vel1.x*vel1.x+vel1.y*vel1.y+vel1.z*vel1.z) 

---

normVel = vel1/combVel; 

0から

dragForce = mortSigma*1.225f*pow(combVel, 2); 

に

dragForce = mortSigma*1.225f*(combVel*combVel); 

---

drag = (normVel * dragForce)*-1.0f; 
    //Add Gravity force 
    drag.z+=((mortMass*9.801f)*-1.0f); 

に

drag = -normVel * dragForce; 
    //Add Gravity force 
    drag.z-=mortMass*9.801f; 

---

tayVel = (vel1+((vel2+vel3)*2.0f)+vel4) * (1.0f/6.0f); 
    inAcc = (acc1+((acc2+acc3)*2.0f)+acc4) * (1.0f/6.0f); 
    tayPos = (pos1+((pos2+pos3)*2.0f)+pos4) * (1.0f/6.0f); 

tayVel = (vel1+((vel2+vel3)*2.0f)+vel4) * (0.166666f); 
    inAcc = (acc1+((acc2+acc3)*2.0f)+acc4) * (0.166666f); 
    tayPos = (pos1+((pos2+pos3)*2.0f)+pos4) * (0.166666f); 

あなたはあまりにも多くの変数を使用している場合は、256から128または64にローカルワークグループサイズを小さくしようとすると、それらはループの外に使用されていない場合は、より多くのスレッドがで発行できるように、ループの中で彼らの宣言を置きますそれと同時に。