这里的提速主要是针对时域电磁算法的。因为时域算法的蛙跳推进模式仅对大量存放在固定 位置的数据进行完全相同的且是简单的操作(移位相加),这正是 GPU 这类众核 SIMD 架构所进行的运算,即 ALU 与内存的存取速度(又称带宽)直接决定了整个运算速度。
下表给出了 GPU 与高速 CPU 数据总线的带宽比较,显然 GPU 的内存带宽远比 CPU 要高。这就是 GPU 在时域仿真中能够极大地提速的根源。
GPU 和内存
|
Tesla K10
|
Tesla K20X
|
Tesla K40m/c
|
Quadro K6000
|
DDR3-1333MHz 内存
|
GPU 内存
|
4GB
|
6GB
|
12GB
|
12GB
|
—
|
GPU 核数
|
1536
|
2688
|
2880
|
2880
|
—
|
内存带宽
|
160GB/s
|
250GB/s
|
288GB/s
|
288GB/s
|
32GB/s
|
双精度速度
|
0.19TFlops
|
1.31TFlops
|
1.43TFlops
|
1.43TFlops
|
—
|