Обчислення загального призначення на GPU (GPGPU) використовують масово паралельну архітектуру графічних процесорів — спершу створену для одночасного рендерингу мільйонів пікселів — для наукових та інженерних симуляцій. Сучасний GPU містить тисячі простих шейдерних ядер, які виконують одну й ту саму інструкцію над різними даними паралельно (SIMD: Single Instruction, Multiple Data), що ідеально підходить для симуляцій, де одночасно виконується безліч однакових незалежних обчислень — наприклад, оновлення тисяч частинок за одними й тими самими фізичними законами.
Традиційна CPU-симуляція N частинок вимагає O(N²) обчислень сил на крок часу для прямої взаємодії всіх пар, що обмежує практичне N тисячами. GPU прискорюють це, обчислюючи всі парні сили паралельними блоками, досягаючи прискорення у 100–1000× для симуляцій частинок. Компʼютерні шейдери WebGL і WebGPU дозволяють цю паралельність прямо в браузері: позиції та швидкості частинок зберігаються в GPU-текстурах, і один прохід шейдера оновлює всі частинки одночасно без вузьких місць передачі даних між CPU і GPU. Застосування включають гідродинаміку рідин (SPH), молекулярну динаміку, симуляцію натовпу та візуальні ефекти в реальному часі.
Цей симулятор запускає тисячі й навіть мільйони частинок одночасно на вашому GPU, де кожна частинка відчуває гравітацію, міжчастинкові сили або керування полем потоку, обчислені повністю на GPU. Ви можете спостерігати квадратичне та лінійне масштабування зі збільшенням N, перемикати різні моделі взаємодії й побачити, як паралельність GPU робить інтерактивну симуляцію складних систем можливою прямо у веб-браузері — демонструючи архітектуру, що лежить в основі сучасних наукових обчислень, машинного навчання та фізичних движків ігор.
Чому GPU настільки швидші за CPU для симуляцій частинок?
CPU оптимізовані для послідовних обчислень із низькою затримкою: сучасний CPU має 8–32 ядра, кожне з яких виконує складні послідовності інструкцій з передбаченням переходів, позапорядковим виконанням і великими кешами. GPU мають тисячі простіших ядер, оптимізованих для високопропускних паралельних обчислень, жертвуючи швидкістю окремого ядра заради масової паралельності. Симуляція частинок оновлює кожну частинку незалежно (ті самі рівняння, різні дані), що ідеально відображається на паралельність GPU — усі частинки оновлюються одночасно. Для N=1 000 000 частинок GPU, що обчислює 10 000 частинок за такт, потребує 100 проходів; CPU, роблячи це послідовно, потребує 1 000 000 проходів.
Як працює обчислювальний шейдер?
Обчислювальний шейдер — це програма GPU, яка виконує N незалежних екземплярів (робочих одиниць) одночасно, кожен з унікальним індексом. Для симуляції частинок обчислювальний шейдер запускається з N робочими одиницями — по одній на частинку. Кожна робоча одиниця зчитує поточну позицію та швидкість частинки з GPU-буфера (збереженого у відеопамʼяті), обчислює сили від сусідніх частинок або полів, оновлює швидкість і позицію за допомогою схеми інтегрування (наприклад, Верле або Ейлера) і записує результат назад у буфер. У наступному кадрі анімації шейдер рендерингу зчитує ці оновлені позиції, щоб намалювати частинки, поки обчислювальний шейдер уже обчислює наступний крок часу.
У чому різниця між WebGL і WebGPU для симуляції частинок?
WebGL (на основі OpenGL ES 2.0/3.0) був створений для рендерингу й адаптує етапи графічного конвеєра для GPGPU — зберігаючи дані частинок у текстурах і використовуючи фрагментні шейдери для їх обробки. Це дещо непрямий підхід із обмеженнями (немає явного обчислювального етапу, обмежені шаблони доступу до памʼяті). WebGPU — новіший API (доступний у Chrome/Firefox з 2023 року) із нативною підтримкою обчислювальних шейдерів, гнучкішим доступом до памʼяті, кращими інструментами налагодження та ближчою відповідністю можливостям сучасних GPU (як Vulkan і Metal). WebGPU забезпечує ефективніші GPGPU-навантаження прямо в браузері, наближаючи продуктивність до нативних застосунків.
Пряме обчислення сил для всіх пар масштабується як O(N²) — нездійсненно для великих N навіть на GPU. Просторові структури прискорення зменшують це: рівномірні сітки розподіляють частинки по комірках, тож кожна частинка взаємодіє лише з частинками в сусідніх комірках (O(N) загальних взаємодій для короткодіючих сил). GPU-оптимізовані сітки використовують паралельне радикс-сортування, щоб відсортувати частинки за індексом комірки в компактний масив, а потім буфер індексів комірок дозволяє швидко знайти, які частинки займають кожну комірку. Це зводить симуляцію до O(N log N) для сортування та O(N·k) для обчислення сил (де k — типова кількість сусідів), уможливлюючи симуляції мільйонів частинок у реальному часі.
GPU-симуляції частинок є ключовими в науці: симуляції молекулярної динаміки згортання білків використовують GPU для моделювання мільйонів атомів із парними силами Леннарда-Джонса й електростатичними силами, уможливлюючи біомолекулярну динаміку в мікросекундному масштабі (AMBER, NAMD, GROMACS). Метод згладжених частинок гідродинаміки (SPH) симулює потік рідини на GPU для візуальних ефектів у фільмах та іграх. N-тільні астрофізичні симуляції моделюють формування галактик і скупчення темної матерії. Моделі погоди та клімату використовують прискорений GPU перенос частинок для аерозолів і хімічних сполук. Саме навчання моделей машинного навчання є масовим паралельним GPU-обчисленням матриць (подібним до частинок).