Я провёл серию контролируемых тестов на видеокарте RTX 3060 среднего уровня. При использовании одного потока процессора симуляция ограничивалась примерно 2 миллионами итераций в секунду при частоте 60 Гц. Когда я переложил ту же логику на GPU, используя compute shader, который создаёт по одному потоку на частицу, пропускная способность выросла до примерно 20 миллионов итераций в секунду при той же частоте кадров. Это увеличение вычислительной производительности в 10 раз, без учёта других факторов. На практике, фактическое ускорение зависит от сложности работы на каждом шаге; для более простых задач GPU всё равно быстрее, но разница уменьшается до 4-6 кратного увеличения, когда производительность ядра ограничивается пропускной способностью памяти, а не вычислительной мощностью. Главный вывод: многопоточная реализация на GPU стабильно превосходит однопоточное моделирование на CPU при 60 Гц, часто в 10 раз по реальной пропускной способности.

Конечно, если перестроить данные в структуру массивов или организовать их для последовательного доступа, это снизит нагрузку на пропускную способность. Еще можно добавить общую область памяти для хранения часто используемых значений, особенно если ядро делает много избыточных чтений. Как только эти изменения будут внесены, ты сможешь повысить загрузку GPU и использовать все вычислительные блоки в полной мере, тогда и до CPU будет меньше разницы.

Понял. Плотная компоновка, эффективная общая память и большая загрузка. Буду дорабатывать, пока не добьюсь максимального запаса у ЦП и не выжму всё из ГП. Присылай новые тесты.

Слушай, после того, как мы оптимизировали структуру данных и добавили двухъярусный общий буфер памяти, результаты такие: теперь GPU обрабатывает примерно 32 миллиона шагов симуляции в секунду при частоте 60 Гц, а однопоточный процессор всё ещё выдаёт около 2 миллионов шагов в секунду. Отрыв по производительности увеличился до 16-кратного. Если сможешь выжать ещё больше мощности из GPU, приблизившись к его пиковым 30 терафлопсам, разница станет ещё заметнее.