Презентация к проекту

1.

Архитектура графических
процессоров (GPU)
Манторов Егор и Костин Степан (группа П-21)

2.

Введение: Эпоха GPU
Графические процессоры (GPU) стали незаменимым элементом современного мира. Их значение выходит далеко за рамки
компьютерных игр, охватывая научные исследования, искусственный интеллект и многое другое.
Быстрый Рост Рынка
Двигатель Инноваций
Научные Прорывы
Ожидается, что к 2025 году
GPU являются основой для
От молекулярного
мировой рынок GPU достигнет
развития ИИ, машинного
моделирования до
$50 млрд.
обучения и глубокого обучения.
климатологии — GPU ускоряют
исследования.

3.

CPU vs GPU: Ключевые Различия
CPU (Центральный Процессор)
GPU (Графический Процессор)
Ядра: Несколько мощных ядер (например, Intel Core i9 - 24 ядра).
Ядра: Тысячи небольших ядер (NVIDIA RTX 4090 - 16,384 CUDA-ядер).
Частота: Высокая тактовая частота.
Частота: Ниже, чем у CPU.
Кэш: Большой и сложный кэш для быстрых данных.
Кэш: Меньший, оптимизированный для параллельных операций.
Назначение: Последовательные вычисления, управление ОС, сложные
Назначение: Параллельные вычисления, обработка графики, ИИ.
операции.
Производительность: Десятки TFLOPS (NVIDIA RTX 4090 - 82+ TFLOPS).
Производительность: 1-2 TFLOPS (терафлопс).

4.

SIMD vs MIMD: Модели Параллелизма
GPU используют различные модели для достижения массового параллелизма.
SIMD (Single Instruction, Multiple Data)
MIMD (Multiple Instruction, Multiple Data)
Один поток инструкций обрабатывает множество
Множество потоков инструкций обрабатывают
независимых потоков данных. Все ядра выполняют
множество независимых потоков данных. Каждое ядро
одну и ту же операцию над разными данными
может выполнять свою собственную уникальную
одновременно. Пример: Векторные процессоры.
инструкцию над своими данными. Пример:
Современные многоядерные CPU.
GPU часто используют гибридную модель, известную как SIMT (Single Instruction, Multiple Threads), объединяя
преимущества обеих.

5.

Массовый Параллелизм в GPU
Массовый параллелизм - это способность выполнять множество задач одновременно. В GPU это достигается благодаря уникальной архитектуре.
Потоковый
Мультипроцессор
Тысячи мелких ядер сгруппированы в SM
Варп
Группа потоков, планируемая и
выполняемая вместе
SIMT
Потоки в варпе выполняют одинаковую
инструкцию
01
02
03
Потоковые Мультипроцессоры (SM)
Варпы (Warps)
Модель SIMT
GPU состоят из тысяч небольших ядер, сгруппированных в
SM, которые обрабатывают задачи параллельно.
SMs обрабатывают группы потоков (варпы) одновременно,
каждый поток выполняет одну и ту же инструкцию над
своими данными.
Single Instruction, Multiple Threads: обеспечивает
эффективную обработку графики и сложных вычислений.

6.

GPU в Компьютерных Играх
Игры являются одной из основных движущих сил развития GPU. Они
требуют высокой производительности для создания реалистичных и
динамичных виртуальных миров.
Рендеринг
1
Преобразование 3D-моделей в 2D-изображения для отображения на
экране.
Растеризация
2
Процесс преобразования векторных данных в растровое
изображение, т.е. пиксели.
Физические Симуляции
3
Расчет поведения объектов в игре (ткань, вода, разрушения), делая
их более реалистичными.

7.

Трассировка Лучей и Апскейлинг
Эти технологии выводят графику в играх на новый уровень, создавая невероятно реалистичные сцены и повышая производительность.
Ray Tracing (Трассировка Лучей)
Апскейлинг
Симуляция физического поведения света для создания
гиперреалистичных отражений, теней и глобального освещения.
Использование ИИ для рендеринга изображения в более низком разрешении и его
масштабирования до более высокого, сохраняя при этом качество и повышая FPS.
Реализация: Впервые в реальном времени с архитектурой NVIDIA Turing (2018).
NVIDIA DLSS: Deep Learning Super Sampling. Ускорение 2-3x.
Пример: Cyberpunk 2077 с трассировкой лучей выглядит потрясающе.
AMD FSR: FidelityFX Super Resolution. Ускорение 60-80%.

8.

GPGPU: Вычисления Общего
Назначения
General-Purpose computing on Graphics Processing Units (GPGPU) – это
использование GPU для выполнения неграфических задач, традиционно
решаемых CPU. Эта концепция открыла новые горизонты для ускорения
широкого спектра приложений.
Параллельное
Программирование
Ускорение Алгоритмов
Использование языков и платформ,
где одни и те же операции
таких как CUDA (создана NVIDIA в
выполняются над большим
2006 году) и OpenCL, для
объемом данных.
GPU идеально подходят для задач,
эффективного задействования
тысяч ядер GPU.
Широкий Спектр Применений
От криптографии до финансового моделирования, GPGPU значительно
сокращает время вычислений.

9.

Научные Применения GPU
В науке GPU стали краеугольным камнем для решения самых сложных задач, требующих огромной вычислительной мощности.
Машинное Обучение
и ИИ
Молекулярное
Моделирование
Климатология
Медицина
Тренировка нейронных сетей,
Симуляция поведения молекул
Прогнозирование погоды,
Обработка медицинских
анализ больших данных. GPU
для разработки новых лекарств и
моделирование климатических
изображений (МРТ, КТ),
ускоряют ИИ в 10-100 раз
материалов.
изменений.
разработка
быстрее CPU. Пример: ChatGPT,
персонализированных методов
Perplexity.
лечения.

10.

Заключение: Будущее GPU
GPU продолжают развиваться с невероятной скоростью, открывая новые возможности в каждой сфере, где требуется высокая производительность.
Перспективы Развития
Архитектуры нового поколения, такие как NVIDIA Blackwell и AMD RDNA 4,
обещают еще более значительный прирост производительности.
Увеличение Производительности
Значение для ИТ
GPU ускоряют многие задачи в 10-100 раз по сравнению с CPU, и этот
разрыв продолжает расти.
Доля NVIDIA на рынке видеокарт в Q1 2025 составила 92%, что
подчеркивает их доминирующее положение и влияние на индустрию.
Непрерывные Инновации
GPU будут оставаться ключевым элементом в развитии ИИ, научных
вычислений и виртуальных миров.
"Графические процессоры превратились из специализированных ускорителей в универсальные параллельные процессоры, способные решать широкий спектр задач."

11.

Спасибо за внимание!