31、基于GPU集群的蛋白质数据系统发育推断及求解CNOP的并行算法研究

基于GPU集群的蛋白质数据系统发育推断及求解CNOP的并行算法研究

在科学计算领域，智能算法被广泛应用。本文主要围绕两个方面展开研究，一是基于GPU集群的蛋白质数据系统发育推断，二是求解条件非线性最优扰动（CNOP）的并行算法。

基于GPU集群的蛋白质数据系统发育推断

在蛋白质数据的系统发育推断中，传统的MrBayes方法存在一些问题，如非收敛问题和内存分配限制等。为了解决这些问题，研究人员提出了ta(MC)3这一改进的并行版本。

1. 块大小选择

在ta(MC)3中，实际驻留线程束的数量由内核使用的寄存器数量决定。当块大小设置为400时，每个块占用400 × 36 = 14,400个寄存器，每个多处理器最多可容纳4个块，每个块有13个线程束，总共52个线程束，超过了隐藏延迟所需的40个线程束，满足了充分利用的要求。此外，块大小为400与转移概率矩阵的大小相匹配，即20 × 20 = 400个单元，可实现合并内存访问并避免空闲线程。实验结果也表明，块大小为400是一个不错的选择。

2. 精度优化

当使用MrBayes分析具有过多分类单元或氨基酸位点的蛋白质数据时，可能会出现非收敛问题，其根本原因是分析大型数据集时累积的截断误差较大。为了提高精度，ta(MC)3采用了Kahan求和算法。具体操作如下：
- 在计算条件似然时，在GPU端实现Kahan求和算法。
- 在算法4中，在第7行之后声明新的寄存器y、el、er和t，并将el和er初始化为零。
- 将第9行替换为：

1: y ← TMl[m][k] × cl −