[发明专利]基于集群式GPU加速的多源全路径蒙特卡罗模拟方法

权利要求书

1.一种基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述方法包括：

步骤1：基于MPI消息传递通信协议，Host节点向各Client节点进行计算任务的一次分配，并完成相应的数据交互；

步骤2：基于被分配的计算任务，各Client节点向本节点内的各GPU设备进行计算任务的二次分配，并完成相应的数据交互；

步骤3：基于被分配的计算任务，各GPU设备向其各block进行计算任务的三次分配，并完成相应的数据交互；

步骤4：各Client节点对被分配的相应光子的传输过程进行追踪。

2.根据权利要求1所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述步骤1为：

步骤1.1：各Client节点获取本节点的GPU设备的数量信息；

步骤1.2：各Client节点向其他节点广播本节点GPU设备的数量信息；

步骤1.3：Host节点接收各Client节点的广播信息，并获得各节点GPU设备的数量信息；

步骤1.4：Host节点根据各Client节点的GPU设备的数量以及与光源的光子数量相关的计算任务量，向各Client节点分配平均到每个GPU的计算任务。

3.根据权利要求2所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述步骤2为：

步骤2.1：各Client节点CPU的主进程根据本节点GPU设备的数目开辟相应数目的子进程，每个子进程对应一个本节点的GPU设备；

步骤2.2：各Client节点CPU的主进程将计算任务分配给子线程进行执行。

4.根据权利要求3所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，在所述步骤2.2中，各Client节点的子进程在本节点多核CPU的不同的核上并行运行。

5.根据权利要求3所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，在所述步骤2.2中，各Client节点的子进程在本节点单核CPU的单核上串行运行。

6.根据权利要求3所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述步骤3为：

步骤3.1：各Client节点确定本节点各GPU设备SM上的可用资源；

步骤3.2：各Client节点根据本节点GPU设备中各block使用资源，确定active block数量和active warp数量；

步骤3.3：各Client节点根据本节点GPU设备中各block使用资源，确定各block的尺寸和维度；

步骤3.4：按照计算任务的规模，各Client节点确定本节点各GPU设备grid中的block数量；

步骤3.5：各Client节点中的各GPU设备将计算任务分配给本设备的每个block。

7.根据权利要求6所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述步骤4为：

步骤4.1：启动cuda，各Client节点CPU对内存空间、显存空间进行分配，并将要计算的数据从内存复制到显存上；

步骤4.2：将入射光源表征为设定数目光子的集合，将入射光源位置和入射光方向赋给每个光子作为其初始位置和方向；

步骤4.3：追踪每个光子的传输过程；

步骤4.4：CPU分配内存，用于存放GPU输出数据，并将计算后显存上的数据复制到内存上，并将本节点的运行信息返回给host节点。

8.根据权利要求7所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述方法还包括：

步骤5：光子追踪结束后，Host节点输出光吸收矩阵和所有逸出光子信息及光子传播所经各体素的路径信息。

9.根据权利要求8所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述光子传播所经各体素的路径信息，由追踪每个光子传输过程中记录的每个光子所经体素的索引值及经过该体素光子所走的路径长度得到。

10.根据权利要求8所述的基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，其特征在于，所述方法还包括：

步骤6：对步骤5的结果进行统计，转换为其它所需获取的传输特性，包括：将光吸收量矩阵中各元素除以其对应体素的吸收系数，得到通量分布；将光吸收量矩阵所有元素的值相加，然后除以光子数目得到光吸收量；将所有在光源同侧逸出的光子当前能量相加，然后除以光子数目得到总透射量。