#3. GPU дает дополнительное 50-кратное ускорение. Обновленно 10.04.24
Январь, Апрель 2024
Использование графических процессоров (GPU) стало ключевым фактором в достижениях искусственного интеллекта и машинного обучения в последние годы. Это связано с тем, что искусственные нейронные сети, как и биологический аналог, являются экзистенциальными системами параллельных вычислений с огромным количеством простых, но параллельно работающих процессоров, что в полной мере соответствует концепции построения GPU. Для примера, в GPU GeForce RTX 4050 Laptop в 180 раз больше ядер, чем в CPU Intel Core i7-13700H.
WebGL в 2011 году позволил использовать возможности GPU в браузерах, тем самым совершив революцию в Интернете с точки зрения графических возможностей. Однако у WebGL есть некоторые фундаментальные проблемы. Например, в нем довольно сложно производить вычисления общего назначения (GPGPU), которые в нашем случае являются основными.
WebGPU решает эти проблемы, предоставляя обновленную архитектуру общего назначения, совместимую с современными API-интерфейсами графических процессоров, полную поддержку графического рендеринга и вычислений общего назначения GPGPU.
Ниже приведена реализация модели, аналогичной предыдущим двум, но с использованием GPU непосредственно в браузере. Учитывая, что технология WebGPU стала активно внедряться только в последние годы, на старых или мобильных браузерах может потребоваться обновление или использование Google Chrome Canary. Функционал программы ограничен, но позволяет оценить потенциал – 70 кадров в секунду для 1 020 272 тел. При этом для каждого расчетного кадра используются промежуточные десятикратные итерации. В итоге мы получаем 700 итераций вычислительного решения системы из более 1 млн дифференциальных уравнений второго порядка в обычном браузере.
В обновление добавлены кнопки: очистки энергетического возмущения, изменения циклов расчета между отображениями и формирования неоднородности среды. После изменения среды желательно очистить возмущение.
Кликните для перехода к модели