Serial and parallel (CUDA) general purpose Monte Carlo code for atomistic simulations

Abstract

El advenimiento de las GPUs (Graphics Processing Units) ha supuesto una revolución en la forma de abordar problemas físicos mediante métodos computacionales. En este Trabajo de Fin de Máster hemos pretendido explotar las enormes capacidades computacionales disponibles en las GPUs modernas con arquitectura CUDA (Compute Unified Device Architecture) en el campo de la Simulación Atomística, en concreto en lo que concierne a los métodos de Monte Carlo. Por lo tanto, se implementará un programa de software nuevo y se estudiará la aceleración, obtenida de paralelizar las partes del problema con mayor complejidad computacional, y cómo escala ésta respecto al tamaño del problema.

L'adveniment de les GPUs (Graphics Processing Units) ha suposat una revolució en la forma d'abordar problemes físics mitjançant mètodes computacionals. En aquest Treball de Fi de Màster hem pretès explotar les enormes capacitats computacionals disponibles en les GPUs modernes amb arquitectura CUDA (Computi Unified Device Architecture) en el camp de la Simulació Atomística, en concret en el que concerneix els mètodes de Muntanya Carlo. Per tant, s'implementarà un programa de programari nou i s'estudiarà l'acceleració, obtinguda de paralel·lizar les parts del problema amb major complexitat computacional, i com escala aquesta respecte a la grandària del problema.

The advent of GPUs (Graphics Processing Units) has been a revolution in the way of addressing physical problems through computational methods. In this Master's Thesis, our aim is to exploit the enormous computational capabilities available in modern GPUs with CUDA architecture (Compute Unified Device Architecture) in the field of Atomistic Simulation, specifically with regard to Monte Carlo methods. Therefore, a new software program will be developed. We will study the speed-up obtained from parallelizing the parts of the problem with greater computational complexity and how that acceleration scales with respect to the size of the problem.