General Purpose Computation on Graphics Processing Unit - Versionsgeschichte

Hoffender2021: Stilkorrektur

2023-10-31T22:01:45Z

Stilkorrektur

← Nächstältere Version		Version vom 1. November 2023, 00:01 Uhr
Zeile 56:		Zeile 56:
	Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung, die sich jedoch auch innerhalb der Microsoft-Entwicklergemeinschaft nicht durchsetzen konnte, so dass AMP von Microsoft abgeschrieben wurde (Status "deprecated"), und Visual Studio 2022 der letzte AMP-unterstützende Compiler sein wird.		Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung, die sich jedoch auch innerhalb der Microsoft-Entwicklergemeinschaft nicht durchsetzen konnte, so dass AMP von Microsoft abgeschrieben wurde (Status "deprecated"), und Visual Studio 2022 der letzte AMP-unterstützende Compiler sein wird.

	Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen ~~lohnenswert~~, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.		Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnend, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.

	Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.		Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.

2003:DF:AF01:7500:68BD:D81C:2C9C:7E7C: /* Überblick */ -> Tabelle veraltet

2023-07-08T10:27:14Z

Überblick: -> Tabelle veraltet

← Nächstältere Version		Version vom 8. Juli 2023, 12:27 Uhr
Zeile 3:		Zeile 3:
	== Überblick ==		== Überblick ==
	GPGPU ist aus den [[Shader]]n der Grafikprozessoren hervorgegangen. Die Stärke liegt im gleichzeitigen Ausführen gleichförmiger Aufgaben, wie dem Einfärben von Pixeln oder der [[Matrizenmultiplikation\|Multiplikation]] großer [[Matrix (Mathematik)\|Matrizen]]. Da der Geschwindigkeitszuwachs moderner Prozessoren derzeit nicht mehr (primär) durch die Erhöhung des Taktes zu erreichen ist, ist die Parallelisierung ein wichtiger Faktor zum Erreichen höherer Rechenleistungen moderner Computer. Der Vorteil der Verwendung der GPU gegenüber der CPU liegt in der höheren Rechenleistung und der höheren Speicherbandbreite. Die Geschwindigkeit wird hauptsächlich durch den hohen Grad an Parallelität der Rechenoperationen des Grafikprozessors erreicht.		GPGPU ist aus den [[Shader]]n der Grafikprozessoren hervorgegangen. Die Stärke liegt im gleichzeitigen Ausführen gleichförmiger Aufgaben, wie dem Einfärben von Pixeln oder der [[Matrizenmultiplikation\|Multiplikation]] großer [[Matrix (Mathematik)\|Matrizen]]. Da der Geschwindigkeitszuwachs moderner Prozessoren derzeit nicht mehr (primär) durch die Erhöhung des Taktes zu erreichen ist, ist die Parallelisierung ein wichtiger Faktor zum Erreichen höherer Rechenleistungen moderner Computer. Der Vorteil der Verwendung der GPU gegenüber der CPU liegt in der höheren Rechenleistung und der höheren Speicherbandbreite. Die Geschwindigkeit wird hauptsächlich durch den hohen Grad an Parallelität der Rechenoperationen des Grafikprozessors erreicht.
			{{Veraltet \| dieses Abschnitts \| Kennzahlen der Tabelle bitte erneuern oder Jahreszahlen anfügen. Hardware ist aus den 201x ! \| seit=2017}}

	{\| class="wikitable"		{\| class="wikitable"
	\|- class="hintergrundfarbe6"		\|- class="hintergrundfarbe6"

Wikithoughts: /* Programmierung */ typo-fix

2021-11-14T22:13:44Z

Programmierung: typo-fix

← Nächstältere Version		Version vom 15. November 2021, 00:13 Uhr
Zeile 54:		Zeile 54:

	== Programmierung ==		== Programmierung ==
	Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung, die sich jedoch auch innerhalb der ~~Mikrosoft~~-~~Entwickler-Welt~~ nicht durchsetzen konnte, so dass AMP von Microsoft abgeschrieben wurde (Status "deprecated"), und Visual Studio 2022 der letzte AMP-unterstützende Compiler sein wird.		Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung, die sich jedoch auch innerhalb der Microsoft-Entwicklergemeinschaft nicht durchsetzen konnte, so dass AMP von Microsoft abgeschrieben wurde (Status "deprecated"), und Visual Studio 2022 der letzte AMP-unterstützende Compiler sein wird.

	Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.		Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.

Wikithoughts: /* Programmierung */ AMP nun "deprecated"

2021-11-14T22:10:38Z

Programmierung: AMP nun "deprecated"

← Nächstältere Version		Version vom 15. November 2021, 00:10 Uhr
Zeile 54:		Zeile 54:

	== Programmierung ==		== Programmierung ==
	Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung ~~in Verbindung mit einer kleinen [[Template_(Programmierung)\|Template]]-[[Programmbibliothek\|Bibliothek]]~~, die in ~~dem~~ ~~Sinne~~ ~~offen~~ ~~ist,~~ ~~dass sie weder auf Microsoft~~-~~Produkte, noch auf bestimmte Accelerator~~-~~[[Hardware]]-Typen bzw. bestimmte Hardware-Hersteller beschränkt ist (somit~~ nicht ~~nur~~ ~~GPGPUs~~, ~~sondern~~ ~~auch CPUs und zukünftig weitere Parallelisierungs-Optionen nutzen könnte, wie etwa [[Cloud Computing]]). In Microsofts~~ AMP~~-Implementierung wird~~ von ~~der~~ ~~GPU~~ ~~eine~~ ~~Unterstützung~~ ~~von [[DirectX]] Version 11 erwartet~~, ~~denn~~ ~~erst~~ ~~mit~~ ~~dieser Version wurde dort~~ der ~~Nutzung von GPUs als GPGPUs besonders Rechnung getragen. Findet ein~~ AMP-~~nutzendes~~ ~~Programm~~ ~~keine hinreichend aktuelle GPU vor,~~ wird der mit Hilfe von AMP programmierte Algorithmus automatisch auf der CPU unter Nutzung derer Parallelisierungsoptionen ([[Multithreading]] auf mehreren [[Prozessorkern]]en, [[SIMD]]-Instruktionen) ausgeführt. AMP soll somit eine vollkommene Abstraktions-Schicht zwischen einem Algorithmus und der Hardware-Ausstattung des ausführenden Computers herstellen. Zudem soll die Beschränkung auf wenige neue C++-Sprachkonstrukte, und wenige neue Bibliotheks-[[Klasse_(Programmierung)\|Klassen]], die bisherigen Hürden und Aufwände bei der Entwicklung paralleler Algorithmen vermindern.		Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung, die sich jedoch auch innerhalb der Mikrosoft-Entwickler-Welt nicht durchsetzen konnte, so dass AMP von Microsoft abgeschrieben wurde (Status "deprecated"), und Visual Studio 2022 der letzte AMP-unterstützende Compiler sein wird.
	DirectX 11 wird zwar von allen gängigen GPU-Baureihen (jüngeren Datums als die DirectX-11-Einführung) bereits nativ Hardware-unterstützt (einschließlich von Basisleistungs-GPUs wie [[Intel]]s [[Chipsatz]]-integrierte GPUs), jedoch wurde DirectX 11 erst mit [[Windows 7]] eingeführt und nur für [[Microsoft_Windows_Vista\|Windows Vista]] nachgeliefert, so dass ältere Windows-Betriebssysteme von einer AMP-Nutzung ausgeschlossen sind. Ob C++ AMP jemals von anderen [[Plattform_(Computer)\|Plattformen]] bzw. C++-Entwicklungsumgebungen außerhalb der Windows-Welt adaptiert werden wird, ist derzeit noch völlig offen.

	Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.		Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.

90.146.215.64: /* Programmierung */

2021-10-08T22:33:55Z

Programmierung

← Nächstältere Version		Version vom 9. Oktober 2021, 00:33 Uhr
Zeile 57:		Zeile 57:
	DirectX 11 wird zwar von allen gängigen GPU-Baureihen (jüngeren Datums als die DirectX-11-Einführung) bereits nativ Hardware-unterstützt (einschließlich von Basisleistungs-GPUs wie [[Intel]]s [[Chipsatz]]-integrierte GPUs), jedoch wurde DirectX 11 erst mit [[Windows 7]] eingeführt und nur für [[Microsoft_Windows_Vista\|Windows Vista]] nachgeliefert, so dass ältere Windows-Betriebssysteme von einer AMP-Nutzung ausgeschlossen sind. Ob C++ AMP jemals von anderen [[Plattform_(Computer)\|Plattformen]] bzw. C++-Entwicklungsumgebungen außerhalb der Windows-Welt adaptiert werden wird, ist derzeit noch völlig offen.		DirectX 11 wird zwar von allen gängigen GPU-Baureihen (jüngeren Datums als die DirectX-11-Einführung) bereits nativ Hardware-unterstützt (einschließlich von Basisleistungs-GPUs wie [[Intel]]s [[Chipsatz]]-integrierte GPUs), jedoch wurde DirectX 11 erst mit [[Windows 7]] eingeführt und nur für [[Microsoft_Windows_Vista\|Windows Vista]] nachgeliefert, so dass ältere Windows-Betriebssysteme von einer AMP-Nutzung ausgeschlossen sind. Ob C++ AMP jemals von anderen [[Plattform_(Computer)\|Plattformen]] bzw. C++-Entwicklungsumgebungen außerhalb der Windows-Welt adaptiert werden wird, ist derzeit noch völlig offen.

	Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie "#pragma acc parallel" den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.		Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie <code>#pragma acc parallel</code> den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.

	Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.		Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.

Duschgeldrache2: /* Überblick */ wikilinks korr/erg

2021-06-29T22:19:25Z

Überblick: wikilinks korr/erg

← Nächstältere Version		Version vom 30. Juni 2021, 00:19 Uhr
Zeile 17:		Zeile 17:
	!colspan="2" style="padding:0;" \| Genauigkeit ([[Floating Point Operations Per Second\|GFlops]])		!colspan="2" style="padding:0;" \| Genauigkeit ([[Floating Point Operations Per Second\|GFlops]])
	\|-		\|-
	\| [[AMD Radeon Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]		\| [[AMD-Radeon-R300-Serie\|AMD Radeon Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]
	\|-		\|-
	\| [[AMD-Radeon-R300-Serie\|AMD Radeon R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512		\| [[AMD-Radeon-R300-Serie\|AMD Radeon R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512
Zeile 29:		Zeile 29:
	\| [[AMD-Radeon-HD-7000-Serie\|AMD Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264		\| [[AMD-Radeon-HD-7000-Serie\|AMD Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264
	\|-		\|-
	\| [[Intel]] [[Xeon Phi]] 7120 \|\| 2.420 \|\| 1.210 \|\| 352 \|\| Co-Prozessor		\| [[Larrabee (GPU)\|Intel Xeon Phi]] 7120 \|\| 2.420 \|\| 1.210 \|\| 352 \|\| Co-Prozessor
	\|-		\|-
	\| [[PlayStation 4]] [[SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]		\| [[PlayStation 4]] [[System-on-a-Chip\|SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]
	\|-		\|-
	\| [[Nvidia-GeForce-500-Serie#Modelldaten\|Nvidia Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU		\| [[Nvidia-GeForce-500-Serie#Modelldaten\|Nvidia Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU
	\|-		\|-
	\| Intel Xeon E7-8890 v3 \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU		\| [[Intel Xeon (Haswell)\|Intel Xeon E7-8890 v3]] \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU
	\|-		\|-
	\| [[AMD Fusion\|AMD A10-7850k]] \|\| 856 \|\| - \|\| 34 \|\|rowspan="2"\| [[DDR3]] \|\| APU		\| [[AMD Fusion\|AMD A10-7850k]] \|\| 856 \|\| - \|\| 34 \|\|rowspan="2"\| [[DDR3]] \|\| APU

Trustable: linkfix

2020-02-22T11:51:34Z

linkfix

Jaleks: /* Kritik */ +wikilink

2020-02-13T12:23:44Z

Kritik: +wikilink

← Nächstältere Version		Version vom 13. Februar 2020, 14:23 Uhr
Zeile 51:		Zeile 51:

	== Kritik ==		== Kritik ==
	Durch OpenCL existiert eine einheitliche Schnittstelle zur Umsetzung von GPGPU-Berechnungen. Der Nachteil gegenüber herkömmlichen CPUs ist die massive Parallelität, mit der die Programme ausgeführt werden müssen, um diese Vorteile zu nutzen. Auch sind GPUs im Funktionsumfang beschränkt. Für den wissenschaftlichen Bereich existieren spezielle Grafikmodelle ([[Nvidia Tesla]], [[AMD FireStream]]). Der Speicher dieser Grafikkarten verfügt über [[Fehlerkorrekturverfahren]] und deren Genauigkeit bei der Berechnung von [[Gleitkommazahl]]en ist größer, was sich auch in den Kosten widerspiegelt.		Durch [[OpenCL]] existiert eine einheitliche Schnittstelle zur Umsetzung von GPGPU-Berechnungen. Der Nachteil gegenüber herkömmlichen CPUs ist die massive Parallelität, mit der die Programme ausgeführt werden müssen, um diese Vorteile zu nutzen. Auch sind GPUs im Funktionsumfang beschränkt. Für den wissenschaftlichen Bereich existieren spezielle Grafikmodelle ([[Nvidia Tesla]], [[AMD FireStream]]). Der Speicher dieser Grafikkarten verfügt über [[Fehlerkorrekturverfahren]] und deren Genauigkeit bei der Berechnung von [[Gleitkommazahl]]en ist größer, was sich auch in den Kosten widerspiegelt.

	== Programmierung ==		== Programmierung ==

分液漏斗: + nav

2018-11-30T20:51:38Z

+ nav

← Nächstältere Version		Version vom 30. November 2018, 22:51 Uhr
Zeile 80:		Zeile 80:
	* [http://www.planet3dnow.de/vbulletin/showthread.php?t=362621 GPGPU Computing - ein Überblick für Anfänger und Fortgeschrittene] (planet3dnow.de 26. Mai 2009)		* [http://www.planet3dnow.de/vbulletin/showthread.php?t=362621 GPGPU Computing - ein Überblick für Anfänger und Fortgeschrittene] (planet3dnow.de 26. Mai 2009)
	* Tobias Preis, Peter Virnau, Wolfgang Paul, Johannes J. Schneider: ''GPU accelerated Monte Carlo simulation of the 2D and 3D Ising model.'' In: ''Journal of Computational Physics.'' 228, 2009, S. 4468–4477, {{DOI\|10.1016/j.jcp.2009.03.018}}.		* Tobias Preis, Peter Virnau, Wolfgang Paul, Johannes J. Schneider: ''GPU accelerated Monte Carlo simulation of the 2D and 3D Ising model.'' In: ''Journal of Computational Physics.'' 228, 2009, S. 4468–4477, {{DOI\|10.1016/j.jcp.2009.03.018}}.

			{{Navigationsleiste Prozessorarchitektur}}

	[[Kategorie:Prozessorarchitektur nach Verwendung]]		[[Kategorie:Prozessorarchitektur nach Verwendung]]

Trustable: kleinigkeiten verbessert

2017-01-21T23:38:55Z

kleinigkeiten verbessert

← Nächstältere Version		Version vom 22. Februar 2020, 13:51 Uhr
Zeile 19:		Zeile 19:
	\| [[AMD Radeon Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]		\| [[AMD Radeon Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]
	\|-		\|-
	\| [[AMD-Radeon-R300-Serie\|AMD Radeon R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512		\| [[AMD-Radeon-R300-Serie\|AMD Radeon R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512
	\|-		\|-
	\| [[Nvidia-~~Geforce~~-900-Serie\|Nvidia Geforce GTX Titan X]] \|\| 6.144 \|\| 192 \|\| 336 \|\|rowspan="7"\| [[GDDR5]]		\| [[Nvidia-GeForce-900-Serie\|Nvidia Geforce GTX Titan X]] \|\| 6.144 \|\| 192 \|\| 336 \|\|rowspan="7"\| [[GDDR5]]
	\|-		\|-
	\| [[AMD FirePro]] W9100 \|\| 5.350 \|\| 2.675 \|\| 320		\| [[AMD FirePro]] W9100 \|\| 5.350 \|\| 2.675 \|\| 320
	\|-		\|-
	\| [[Nvidia Tesla\|Nvidia Tesla K20X]]\|\| 3.950 \|\| 1.310 \|\| 250		\| [[Nvidia Tesla\|Nvidia Tesla K20X]]\|\| 3.950 \|\| 1.310 \|\| 250
	\|-		\|-
	\| [[AMD-Radeon-HD-7000-Serie\|AMD Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264		\| [[AMD-Radeon-HD-7000-Serie\|AMD Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264
Zeile 33:		Zeile 33:
	\| [[PlayStation 4]] [[SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]		\| [[PlayStation 4]] [[SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]
	\|-		\|-
	\| [[Nvidia-~~Geforce~~-500-Serie#Modelldaten\|Nvidia Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU		\| [[Nvidia-GeForce-500-Serie#Modelldaten\|Nvidia Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU
	\|-		\|-
	\| Intel Xeon E7-8890 v3 \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU		\| Intel Xeon E7-8890 v3 \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU
Zeile 70:		Zeile 70:

	== Literatur ==		== Literatur ==
	* {{Literatur \| Autor=Matt Pharr \| Titel=GPU Gems 2 \| Kapitel=Part IV - General-Purpose Computation on GPUs: A Primer \| Verlag=Addison-Wesley Publishing Company \| ~~Ort= \|~~ Jahr= 2005\| ISBN=0-321-33559-7}}		* {{Literatur \| Autor=Matt Pharr \| Titel=GPU Gems 2 \| Kapitel=Part IV - General-Purpose Computation on GPUs: A Primer \| Verlag=Addison-Wesley Publishing Company \| Jahr= 2005\| ISBN=0-321-33559-7}}
	* {{Literatur \| Autor= David B. Kirk \| Titel=Programming Massively Parallel Processors: A Hands-on Approach [Paperback] \| Verlag=Morgan Kaufmann \| ~~Ort=\|~~ Jahr=2010\|ISBN=978-0-12-381472-2}}		* {{Literatur \| Autor= David B. Kirk \| Titel=Programming Massively Parallel Processors: A Hands-on Approach [Paperback] \| Verlag=Morgan Kaufmann \| Jahr=2010\|ISBN=978-0-12-381472-2}}

	== Weblinks ==		== Weblinks ==

← Nächstältere Version		Version vom 22. Januar 2017, 01:38 Uhr
Zeile 7:		Zeile 7:
	\|- class="hintergrundfarbe6"		\|- class="hintergrundfarbe6"
	! rowspan="3" \| Modell		! rowspan="3" \| Modell
	! colspan="2" style="padding:0;" \| Theoretische Rechenleistung		! colspan="2" style="padding:0;" \| Theoretische Rechenleistung
	! rowspan="3" \| Speicherbus-<br>Datenrate<br>([[Datenübertragungsrate\|GByte/s]])		! rowspan="3" \| Speicherbus-<br>Datenrate<br>([[Datenübertragungsrate\|GByte/s]])
	! rowspan="3" \| Speichertyp		! rowspan="3" \| Speichertyp
	! rowspan="3" \| Art		! rowspan="3" \| Art
	\|- class="hintergrundfarbe6" style="height:80%;"		\|- class="hintergrundfarbe6" style="height:80%;"
	! style="padding:0;" \| bei einfacher		! style="padding:0;" \| bei einfacher
	! style="padding:0;" \| bei doppelter		! style="padding:0;" \| bei doppelter
	\|- class="hintergrundfarbe6" style="height:80%;"		\|- class="hintergrundfarbe6" style="height:80%;"
	!colspan="2" style="padding:0;" \| Genauigkeit ([[Floating Point Operations Per Second\|GFlops]])		!colspan="2" style="padding:0;" \| Genauigkeit ([[Floating Point Operations Per Second\|GFlops]])
	\|-		\|-
	\| [[AMD]] [[Radeon]] ~~[[AMD-Radeon-R300-Serie\|~~Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]		\| [[AMD Radeon Pro Duo]] \|\| 16.384 \|\| 1.024 \|\| 1.024 \|\|rowspan="2"\| [[High_Bandwidth_Memory\|HBM]] \|\|rowspan="6"\|[[Graphics Processing Unit\|GPU]]
	\|-		\|-
	\| ~~[[AMD]] [[Radeon]]~~ [[AMD-Radeon-R300-Serie\|R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512		\| [[AMD-Radeon-R300-Serie\|AMD Radeon R9 Fury X]] \|\| 8.602 \|\| 538 \|\| 512
	\|-		\|-
	\| ~~[[NVIDIA]] [[GeForce]]~~ [[Nvidia-Geforce-900-Serie\|GTX Titan X]] \|\| 6.144 \|\| 192 \|\| 336 \|\|rowspan="7"\| [[GDDR5]]		\| [[Nvidia-Geforce-900-Serie\|Nvidia Geforce GTX Titan X]] \|\| 6.144 \|\| 192 \|\| 336 \|\|rowspan="7"\| [[GDDR5]]
	\|-		\|-
	\| [[AMD]] [[FirePro]] W9100 \|\| 5.350 \|\| 2.675 \|\| 320		\| [[AMD FirePro]] W9100 \|\| 5.350 \|\| 2.675 \|\| 320
	\|-		\|-
	\| [[Nvidia]] ~~[[Nvidia_Tesla~~\|Tesla K20X]]\|\| 3.950 \|\| 1.310 \|\| 250		\| [[Nvidia Tesla\|Nvidia Tesla K20X]]\|\| 3.950 \|\| 1.310 \|\| 250
	\|-		\|-
	\|~~[[AMD]]~~ [[AMD-Radeon-HD-7000-Serie\|Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264		\| [[AMD-Radeon-HD-7000-Serie\|AMD Radeon HD 7970]]\|\| 3.789 \|\| 947 \|\| 264
	\|-		\|-
	\| [[Intel]] [[Xeon Phi]] 7120 \|\| 2.420 \|\| 1.210 \|\| 352 \|\| Co-Prozessor		\| [[Intel]] [[Xeon Phi]] 7120 \|\| 2.420 \|\| 1.210 \|\| 352 \|\| Co-Prozessor
	\|-		\|-
	\| [[~~Playstation~~ 4]] [[SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]		\| [[PlayStation 4]] [[SoC]] ([[AMD]]) \|\| 1.860 \|\| - \|\| 167 \|\| [[Accelerated Processing Unit\|APU]]
	\|-		\|-
	\| ~~[[Nvidia]]~~ [[Nvidia-Geforce-500-Serie#Modelldaten\|Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU		\| [[Nvidia-Geforce-500-Serie#Modelldaten\|Nvidia Geforce GTX 580]]\|\| 1.581 \|\| 198 \|\| 192,4 \|\| GPU
	\|-		\|-
	\| Intel Xeon E7-8890 v3 \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU		\| Intel Xeon E7-8890 v3 \|\| 1.440 \|\| 720 \|\| 102,4 (?) \|\| [[DDR4]] \|\| CPU
Zeile 39:		Zeile 39:
	\| [[AMD Fusion\|AMD A10-7850k]] \|\| 856 \|\| - \|\| 34 \|\|rowspan="2"\| [[DDR3]] \|\| APU		\| [[AMD Fusion\|AMD A10-7850k]] \|\| 856 \|\| - \|\| 34 \|\|rowspan="2"\| [[DDR3]] \|\| APU
	\|-		\|-
	\| [[Intel Core i7]]-3930K \|\| 307,2 \|\| 153,6 \|\| 51,2 \|\|rowspan="2"\| [[Central Processing Unit\|CPU]]		\| [[Intel Core i7]]-3930K \|\| 307,2 \|\| 153,6 \|\| 51,2 \|\|rowspan="2"\| [[Central Processing Unit\|CPU]]
	\|-		\|-
	\| [[Intel~~]] [[~~Pentium 4]] mit SSE3, 3,6 GHz \|\| 14,4 \|\| 7,2 \|\| 6,4 \|\| DDR2		\| [[Intel Pentium 4]] mit SSE3, 3,6 GHz \|\| 14,4 \|\| 7,2 \|\| 6,4 \|\| DDR2
	\|-		\|-
	\|}		\|}
Zeile 54:		Zeile 54:

	== Programmierung ==		== Programmierung ==
	Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung in Verbindung mit einer kleinen [[Template_(Programmierung)\|Template]]-[[Programmbibliothek\|Bibliothek]], die in dem Sinne offen ist, dass sie weder auf Microsoft-Produkte, noch auf bestimmte Accelerator-[[Hardware]]-Typen bzw. bestimmte Hardware-Hersteller beschränkt ist (somit nicht nur GPGPUs, sondern auch CPUs und zukünftig weitere Parallelisierungs-Optionen nutzen könnte, wie etwa [[Cloud-Computing]]). In Microsofts AMP-Implementierung wird von der GPU eine Unterstützung von [[DirectX]] Version 11 erwartet, denn erst mit dieser Version wurde dort der Nutzung von GPUs als GPGPUs besonders Rechnung getragen. Findet ein AMP-nutzendes Programm keine hinreichend aktuelle GPU vor, wird der mit Hilfe von AMP programmierte Algorithmus automatisch auf der CPU unter Nutzung derer Parallelisierungsoptionen ([[Multithreading]] auf mehreren [[Prozessorkern~~\|Prozessorkernen~~]], [[SIMD]]-Instruktionen) ausgeführt. AMP soll somit eine vollkommene Abstraktions-Schicht zwischen einem Algorithmus und der Hardware-Ausstattung des ausführenden Computers herstellen. Zudem soll die Beschränkung auf wenige neue C++-Sprachkonstrukte, und wenige neue Bibliotheks-[[Klasse_(Programmierung)\|Klassen]], die bisherigen Hürden und Aufwände bei der Entwicklung paralleler Algorithmen vermindern.		Für die Entwicklung GPGPU-fähiger Programme stehen vor allem [[OpenCL]], [[Compute Unified Device Architecture\|CUDA]], und seit 2012 [[C++ AMP]] zur Verfügung. OpenCL ist ein offener Standard, der auf vielen Plattformen zur Verfügung steht, CUDA dagegen ist ein proprietäres [[Framework]] von [[Nvidia]] und auch nur auf GPUs dieses Herstellers lauffähig. AMP ist eine von [[Microsoft]] initiierte [[C++]]-Spracherweiterung in Verbindung mit einer kleinen [[Template_(Programmierung)\|Template]]-[[Programmbibliothek\|Bibliothek]], die in dem Sinne offen ist, dass sie weder auf Microsoft-Produkte, noch auf bestimmte Accelerator-[[Hardware]]-Typen bzw. bestimmte Hardware-Hersteller beschränkt ist (somit nicht nur GPGPUs, sondern auch CPUs und zukünftig weitere Parallelisierungs-Optionen nutzen könnte, wie etwa [[Cloud Computing]]). In Microsofts AMP-Implementierung wird von der GPU eine Unterstützung von [[DirectX]] Version 11 erwartet, denn erst mit dieser Version wurde dort der Nutzung von GPUs als GPGPUs besonders Rechnung getragen. Findet ein AMP-nutzendes Programm keine hinreichend aktuelle GPU vor, wird der mit Hilfe von AMP programmierte Algorithmus automatisch auf der CPU unter Nutzung derer Parallelisierungsoptionen ([[Multithreading]] auf mehreren [[Prozessorkern]]en, [[SIMD]]-Instruktionen) ausgeführt. AMP soll somit eine vollkommene Abstraktions-Schicht zwischen einem Algorithmus und der Hardware-Ausstattung des ausführenden Computers herstellen. Zudem soll die Beschränkung auf wenige neue C++-Sprachkonstrukte, und wenige neue Bibliotheks-[[Klasse_(Programmierung)\|Klassen]], die bisherigen Hürden und Aufwände bei der Entwicklung paralleler Algorithmen vermindern.
	DirectX 11 wird zwar von allen gängigen GPU-Baureihen (jüngeren Datums als die DirectX-11-Einführung) bereits nativ Hardware-unterstützt (einschließlich von Basisleistungs-GPUs wie [[Intel~~\|Intels~~]] [[Chipsatz]]-integrierte GPUs), jedoch wurde DirectX 11 erst mit [[Windows 7]] eingeführt und nur für [[Microsoft_Windows_Vista\|Windows Vista]] nachgeliefert, so dass ältere Windows-Betriebssysteme von einer AMP-Nutzung ausgeschlossen sind. Ob C++ AMP jemals von anderen [[Plattform_(Computer)\|Plattformen]] bzw. C++-Entwicklungsumgebungen außerhalb der Windows-Welt adaptiert werden wird, ist derzeit noch völlig offen.		DirectX 11 wird zwar von allen gängigen GPU-Baureihen (jüngeren Datums als die DirectX-11-Einführung) bereits nativ Hardware-unterstützt (einschließlich von Basisleistungs-GPUs wie [[Intel]]s [[Chipsatz]]-integrierte GPUs), jedoch wurde DirectX 11 erst mit [[Windows 7]] eingeführt und nur für [[Microsoft_Windows_Vista\|Windows Vista]] nachgeliefert, so dass ältere Windows-Betriebssysteme von einer AMP-Nutzung ausgeschlossen sind. Ob C++ AMP jemals von anderen [[Plattform_(Computer)\|Plattformen]] bzw. C++-Entwicklungsumgebungen außerhalb der Windows-Welt adaptiert werden wird, ist derzeit noch völlig offen.

	Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z.B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie "#pragma acc parallel" den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.		Ein neuerer Ansatz ist [[OpenACC]], das ähnlich wie [[OpenMP]] über Compiler-Pragmas gesteuert wird. Damit wird gewöhnlicher Sourcecode, z. B. in C++, automatisch parallelisiert, indem gewisse Compiler-Pragmas wie "#pragma acc parallel" den seriell formulierten For-Schleifen vorangestellt werden. Der Portierungs-Aufwand ist so relativ klein. Allerdings führt eine automatische Parallelisierung nicht immer zu optimalen Lösungen. OpenACC kann also explizite Parallelprogrammierung wie in OpenCL nie ganz ersetzen. Dennoch ist es in vielen Fällen lohnenswert, auf diese einfache Art hohe Beschleunigungs-Faktoren auf GPGPU erreichen zu können. OpenACC wird von kommerziellen Compilern wie PGI und freien Compilern wie der [[GNU Compiler Collection]] unterstützt.

	Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.		Um Programme auf einer GPU auszuführen, benötigt man ein Hostprogramm, das die Steuerung des Informationsflusses übernimmt. Meist wird zur Laufzeit der in einer [[C (Programmiersprache)\|C]]-ähnlichen Sprache formulierte GPGPU-Code auf Anweisung des Hostprogrammes kompiliert und an den Grafikprozessor zur Weiterverarbeitung gesandt, der dann die errechneten Daten an das Hostprogramm zurückgibt.
Zeile 74:		Zeile 74:

	== Weblinks ==		== Weblinks ==
	*[http://developer.nvidia.com/object/gpu_gems_2_home.html GPU Gems 2]		* [http://developer.nvidia.com/object/gpu_gems_2_home.html GPU Gems 2]
	*[http://www.gpgpu.org GPGPU.org]		* [http://www.gpgpu.org GPGPU.org]
	*[http://www.appleinsider.com/articles/08/01/24/nvidia_working_on_first_gpgpus_for_apple_macs.html Nvidia working on first GPGPUs for Apple Macs, AppleInsider (January 24, 2008)]		* [http://www.appleinsider.com/articles/08/01/24/nvidia_working_on_first_gpgpus_for_apple_macs.html Nvidia working on first GPGPUs for Apple Macs, AppleInsider (January 24, 2008)]
	*[http://www.gpu4vision.org GPU4Vision] GPGPU Publications, Videos and Software		* [http://www.gpu4vision.org GPU4Vision] GPGPU Publications, Videos and Software
	*[http://www.planet3dnow.de/vbulletin/showthread.php?t=362621 GPGPU Computing - ein Überblick für Anfänger und Fortgeschrittene] (planet3dnow.de 26. Mai 2009)		* [http://www.planet3dnow.de/vbulletin/showthread.php?t=362621 GPGPU Computing - ein Überblick für Anfänger und Fortgeschrittene] (planet3dnow.de 26. Mai 2009)
	* Tobias Preis, Peter Virnau, Wolfgang Paul, Johannes J. Schneider: ''GPU accelerated Monte Carlo simulation of the 2D and 3D Ising model.'' In: ''Journal of Computational Physics.'' 228, 2009, S. 4468–4477, {{DOI\|10.1016/j.jcp.2009.03.018}}.		* Tobias Preis, Peter Virnau, Wolfgang Paul, Johannes J. Schneider: ''GPU accelerated Monte Carlo simulation of the 2D and 3D Ising model.'' In: ''Journal of Computational Physics.'' 228, 2009, S. 4468–4477, {{DOI\|10.1016/j.jcp.2009.03.018}}.