60、经济学中的 GPU 计算：原理与实践

经济学中的 GPU 计算：原理与实践

1. 引言

早期的并行计算系统可追溯到 20 世纪 60 至 70 年代，但局限于专业机器，可访问性和分布范围有限，如 Burroughs D825 和 CDC 6600。早期并行架构的发展形成了系统分类，定义了指令对数据元素的操作方法以及处理单元间的内存共享方式。并行指令/数据操作主要分为单指令多数据（SIMD）和多指令多数据（MIMD），且可进一步分为共享内存和分布式内存模型。

20 世纪 90 年代，计算硬件的进步和成本降低推动了分布式并行计算的发展。当时单核心微处理器速度提升迅速，通过连接大量单核心计算节点可轻松设计强大的并行计算系统，如 1994 年推出的 Beowulf 集群。然而，21 世纪初，微处理器速度提升受限，计算行业的系统设计重点转向多核和多处理器 CPU。

与此同时，娱乐行业对高端图形的需求促使 20 世纪 90 年代出现了多核图形处理单元（GPU）。这些显卡本质上是 SIMD 的，能对数百万像素执行相同的浮点指令，具有高算术强度，但在内存管理和控制流方面的晶体管较少，因此消费级 GPU 以低成本提供了高算术能力。

千禧年后，一些计算科学家开始将 GPU 用作解决科学问题的并行硬件设备，涵盖计算机科学、流体动力学、生物信息学和分子动力学等领域。2006 年，NVIDIA 发布了 CUDA 软件开发工具，促进了通用 GPU（GPGPU）计算的发展。尽管经济学中对计算能力有需求，但 GPGPU 计算的应用进展缓慢。本文旨在展示大规模并行计算在经济问题中的适用性，并通过两个不同结构的具体示例说明其优缺点。

2. GPGPU 计算基础

2.1 硬件架构