[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

说明书

技术领域

本发明涉及计算机科学，数学仿真和生物医学工程领域，具体涉及一种基于集群式GPU加速的多源全路径蒙特卡罗模拟方法。

背景技术

蒙特卡罗方法的基本特征是对随机性问题进行仿真，用于有效地解决随机性问题，甚至对许多确定性方法所难以解决的随机性问题都能够进行较为方便的解决。在生物组织中的光子传输问题的研究中，蒙特卡罗方法也显示出其相对于其它方法(如扩散近似)的优势：严密且灵活，不受组织的光学特性的限制，易于使用，模拟精度高，因此，其被该领域研究者奉为金标准。

自Wilson和Adam于1983年首次将蒙特卡罗方法引入到激光与生物组织之间相互作用的研究领域以来，越来越多的研究者投入到该研究中。绝大多数生物组织具有复杂的解剖结构，属于三维非均匀介质。通过蒙特卡罗方法模拟光在生物组织中传输特性，是为了重建组织体某一个横截面甚至整个三维空间的光学参数图像而服务的，以便于对生物组织光学检测成像系统进行设计和优化，进而实现对疾病的诊断、监测及光学临床治疗。为了实现对组织体三维空间的光学参数图像的重建，必须获取光子在该组织体中传播时，所经各体素的路径信息。

到目前为止，被报道的光子传输三维蒙特卡罗代码有三份，一份是Boas小组于2002年研发的，名为“tMCimg”,可应用于基于MRI和CT获取的数字影像数据搭建的体素介质模型。一份是Margallo-Baldas等人于2007年研发的“trMC”程序，该程序可应用于基于microCT获取的三角面片介质模型。另一份是骆清铭小组于2010年研发的MCVM程序，该程序可同样应用于MRI和CT获取的数字影像数据搭建的体素介质模型。

但是，以上的三份代码均不能获取光子在组织体中传播时所经各体素的路径信息。并且，随着模拟光子数目的不断增加，模拟源数目的不断增加，以及组织越来越复杂的结构，导致计算机运算时间也在成倍地增加。

有鉴于此，本发明提出了一种优化的程序结构：基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，该方法通过采用集群式GPU实现对加速的三级并行高速运算，并能够实现对光子在组织中传播时所经各体素的路径信息进行保存。

发明内容

本发明提供的一种基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，通过采用集群式GPU实现加速的三级并行高速运算。

本发明提供的一种基于集群式GPU加速的多源全路径蒙特卡罗模拟方法，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。

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。

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。

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。

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。

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；