Att utnyttja GPU: s kraft utöver bara grundläggande grafikutmatning har oundvikligen ökats av Nvidia som nästa stora datorsteg. Sådant förtroende har det att generella processorns GPU (GPGPU) kommer att finnas i allas dator i framtiden att den har släppt en rad avancerade GPU-baserade plug-in-kort under namnet Tesla.

Nummerna ger en övertygande läsning med de senaste 10-serien i Nvidias Tesla-sortiment med upp till 960 kärnor och upp till 4 teraflops prestanda. Innan du blir alltför uppskattad är de kärnor som nämns faktiskt shaderprocessorgängor.

Om inte din valda applikation körs optimalt under en accelererad flytpunktsmiljö ser du inte mycket av Nvidias citerade "250 gånger datorens prestanda för en dator". Med det sagt är Nvidias CUDA-programmeringsmiljö (se nedan) utformad för att utnyttja Teslas speciellt utformade arkitektur och starta bollen som rullar för nästa generations generell applikationsutveckling.

Dataintensiva beräkningar

Teslas ursprung är ganska ödmjukt som ursprungligen härrörde från GeForce 8-serie GPU: er, dvs de ursprungliga Tesla 8-serien. Som om att understryka sina avsikter för HPC-marknaden (High Performance Computing), har Nvidia gjort sig borta med något dumt som visningsutgångar. De nuvarande applikationerna och sektorerna som är inriktade på denna produkt behöver hästkrafterna för att utföra komplexa, datinträda beräkningar precis vid deras skrivbord, bearbeta mer data snabbare och minska tiden för att få resultat.

Dr Graham Pullen vid University of Cambridge gav ett övertygande exempel på att utnyttja kraften hos ett Tesla-skrivbordssystem som ställdes mot ett 2,5 GHz fyrhjulsdrift, CPU-enda drivsystem. Med hjälp av flytande dynamisk analys justeras formen och positionerna hos en turbins blad för optimalt flöde.

Testresultat som normalt återlämnades på över 12 timmar på systemet med CPU-bara returnerades i minuter på Tesla-förstärkta system. Om ett enda blad fokuserades, var resultaten återkomna i realtid. Detta gör det möjligt för ingenjörer att justera för bästa prestanda på flyget för att uppnå optimala mönster mycket snabbare.

Slutfördelen för sådan vandring i beräkningsprestanda är inte bara att ingenjörerna tar emot testresultat - den stora minskningen av beräkningarna leder därefter till massiva energibesparingar. Dr. Pullen lyfte också fram en annan stor fördel som specifikt riktade sig mot överkompensation av designtrösklar i teknik, många på plats av säkerhetsskäl.

Tiden som krävs för att slutföra extremt komplexa tester med någon riktig noggrannhet är ofta otillbörlig och så har ingenjörsverdenen varit tvungen att leva med ineffektiva uppskattningar under en tid. Med den vetenskapliga världen rapporterar accelererade prov på upp till 250 gånger sina standardinställningar, blir mindre material som leder till lättare och starkare utrustning och för motorer med effektivare bränsleanvändning normen.

Trickling ner från det vetenskapliga samfundet, har ett antal kända PC-tillverkare, inklusive Dell, redan hoppat på Tesla-vagnen. Tillgänglig nu är Dells Precision T7400-arbetsstation med den enda GPU C1060-modellen av Nvidias Tesla med ett 4 GPU S1070 1U-racksystem som också är tillgängligt. Priserna är beroende av den övergripande spec som valts, men förväntar sig att betala mindre än $ 10 000 för ett system som åtminstone för vissa applikationer skulle kunna utföra ett CPU-baserat system 10 gånger priset.

Intel, med Larabee och AMD / ATi, med Stream, kommer båda sannolikt att komma in på GPGPU-akten från slutet av 2009. När vi får en anständig priskonkurrens kan du titta på en super-1000-super-dator som sitter under ditt skrivbord chucking ut 10.000 fps av Crysis Mayhem!

Vad är CUDA?

CUDA, som ursprungligen härrör från Compute Unified Device Architecture, är datormotorn i Nvidias GPU: er. Den kan programmeras direkt med industristandard C programmeringsspråk, med några tillägg. API: er som OpenCL och DirectX 11 stöds också. OpenCL eller Open Computing Language används för heterogen programmering - uppgiftsbehandling av data över parallella GPU- och CPU-inställningar, vilket härdar en framtid för vanliga applikationer att dra nytta av Tesla och liknande produkter.

Med hjälp av CUDA blir de senaste Nvidia-GPU: erna effektivt öppna arkitekturer, precis som CPU: er, med förbehållet att GPU: er är mest lämpade för bearbetning av applikationer där dataseten är stora och formaterade att köra över den parallella "många kärnan" -strukturen i en GPUs skuggare trådmiljö. Traditionellt har spelåtergivning och fysikberäkningar passat perfekt för denna miljö, men nu används CUDA för att accelerera icke-grafiska tillämpningar som t ex analys och aktiemarknadsutveckling.

-------------------------------------------------------------------------------------------------------

Läs nu Den ultimata guiden till grafikkort

Anmäl dig till det kostnadsfria TechRadar-nyhetsbrevet varje vecka
Få tech nyheter levereras direkt till din inkorg. Registrera dig för det gratis TechRadar-nyhetsbrevet och håll dig på toppen av veckans största berättelser och produktutgåvor. Registrera dig på http://www.techradar.com/register