Kernel Specialization Provides Adaptable GPU Code for Particle Image Velocimetry

Abstract

Graphics Processing Units (GPUs) are increasingly used to accelerate scientific applications. The state-of-the-art limits the adaptability of GPU kernels to both problem parameters and hardware characteristics. This makes writing high performance libraries for GPUs challenging. We address these challenges through Kernel Specialization (KS) which supports both user and hardware parameters and produces highly optimized GPU code. We apply KS to Particle Image Velocimetry (PIV), a technique used to obtain instantaneous velocity measurements in fluids for such diverse applications as aircraft design and artificial heart design. KS helps the user search PIV's highly non-linear design space, supports a wide range of PIV parameters, and results in improved acceleration times over existing kernels.

Utilización de GPU-CUDA en el Procesamiento Digital de Imágenes

“…La velocimetría es una técnica utilizada para medir la velocidad instantánea de fluidos y puede ser utilizada en el diseño de corazones artificiales, en (Moore, Leeser and King, 2015) se propone esta técnica mediante la especialización de núcleos en GPU y se pudo mejorar la velocidad de procesamiento de trabajos previos. Los métodos de reconstrucción iterativa en Tomografía Computarizada (CT) mediante rayos X (Projection et al, 2018), pueden proporcionar mejor calidad de imágenes que métodos analíticos (Fortmeier et al, 2016), pero su aplicación en la práctica son aún limitados debido al costo computacional en operaciones repetidas de proyección y retroproyección, sin embargo con el uso de GPU´s es posible utilizar un método de trazado de rayos, para realizar este procedimiento, como se propone en (Nguyen and Lee, 2015).…”