Một điều rất cảnh giác trong CUDA là luồng điều khiển phân kỳ trong mã hạt nhân của bạn hoàn toàn hiệu suất KILLS, do cấu trúc của phần cứng GPU bên dưới. GPU thường có khối lượng công việc song song dữ liệu với lưu lượng điều khiển rất chặt chẽ (nghĩa là bạn có vài triệu pixel, mỗi trong số đó (hoặc ít nhất là lớn) sẽ được điều hành bởi chính xác cùng một chương trình đổ bóng, thậm chí là Điều này cho phép họ thực hiện một số tối ưu hóa phần cứng, như chỉ có một bộ nhớ cache đơn, lấy đơn vị, và giải mã logic cho mỗi nhóm 32 chủ đề. Trong trường hợp lý tưởng, đó là phổ biến trong đồ họa, chúng có thể phát cùng một lệnh cho tất cả 32 tập hợp các đơn vị thực thi trong cùng một chu kỳ (được gọi là SIMD hoặc Single-Instruction Multiple-Data) có thể mô phỏng MIMD (Multiple-Instruction) và SPMD (Single-Program) , nhưng khi các chủ đề trong một phân tách đa luồng (SM) phân tách (lấy các đường dẫn mã khác nhau ra khỏi một nhánh), logic vấn đề thực sự chuyển đổi giữa mỗi đường dẫn mã trên chu kỳ theo chu kỳ. Bạn có thể tưởng tượng rằng, trong trường hợp xấu nhất, nơi tất cả các luồng nằm trên các đường dẫn riêng biệt, việc sử dụng phần cứng của bạn chỉ giảm xuống 32 lần, có thể tiêu diệt bất kỳ lợi ích nào bạn có bằng cách chạy trên GPU trên CPU, các chi phí liên quan đến marshalling tập dữ liệu từ CPU, qua PCIe, đến GPU.
Điều đó nói rằng, theo dõi bằng tia, trong khi dữ liệu song song theo một nghĩa nào đó, có luồng điều khiển phân tán rộng rãi cho những cảnh phức tạp vừa phải. Ngay cả khi bạn quản lý ánh xạ một loạt các tia có khoảng cách chặt chẽ mà bạn bỏ ra ngay cạnh nhau trên cùng một SM, dữ liệu và địa phương hướng dẫn bạn có cho lần thoát ban đầu sẽ không giữ được lâu. Ví dụ, hãy tưởng tượng tất cả 32 tia rất mạch lạc nảy ra khỏi một hình cầu.Tất cả chúng sẽ đi theo các hướng khá khác nhau sau khi bị trả lại, và có thể sẽ chạm vào các đồ vật được làm từ các vật liệu khác nhau, với các điều kiện ánh sáng khác nhau, v.v. Mỗi vật liệu và bộ điều kiện ánh sáng, tắc, vv đều có dòng lệnh riêng của nó liên kết với nó (để tính toán khúc xạ, phản xạ, hấp thụ, vv), và do đó nó trở nên khá khó khăn để chạy cùng một luồng lệnh trên một phần đáng kể của các chủ đề trong một SM. Vấn đề này, với trạng thái hiện tại trong mã theo dõi tia, giảm mức sử dụng GPU của bạn theo hệ số 16-32, điều này có thể khiến hiệu suất không được chấp nhận cho ứng dụng của bạn, đặc biệt nếu đó là thời gian thực (ví dụ: trò chơi). Nó vẫn có thể vượt trội so với một CPU ví dụ. một trang trại kết xuất.
Hiện có một lớp mới nổi về các máy gia tốc MIMD hoặc SPMD đang được xem xét trong cộng đồng nghiên cứu. Tôi sẽ xem chúng như những nền tảng logic cho phần mềm, raytracing thời gian thực.
Nếu bạn quan tâm đến các thuật toán liên quan và ánh xạ chúng tới mã, hãy kiểm tra POVRay. Ngoài ra nhìn vào ánh xạ photon, đó là một kỹ thuật thú vị mà thậm chí còn đi một bước gần hơn để thể hiện thực tế vật lý hơn là tia sáng.
Tôi có một dự án nhỏ xây dựng chương trình chiếu tia đầu tiên và chưa bao giờ thực hiện bất kỳ công việc nào của CUDA nên tôi đang ở vị trí kém để làm bất cứ điều gì tuyệt vời, nhưng trong năm tới tôi đang làm việc với công nghệ GPGPU. Điều này dẫn tôi đến làm quen với CUDA và tôi đã tự hỏi rằng việc mở rộng tôi có thể sử dụng kiến thức này. –
Bạn có chắc chắn nó là một vấn đề song song đáng xấu hổ? Giải quyết để tìm đối tượng phản chiếu tiếp theo và các biến thể trong xử lý vật liệu (như được chỉ ra bởi Matt J) có vẻ như chúng có thể phá vỡ tính song song một cách đáng kể. Nhưng hãy sửa tôi nếu tôi sai. –