GPU Beschleunigung für die Lösung des inversen Problems bei der Kleinwinkelstreuung. Hermann Hartmann Institut für Molekulare Biophysik
|
|
- Dirk Waldfogel
- vor 6 Jahren
- Abrufe
Transkript
1 GPU Beschleunigung für die Lösung des inversen Problems bei der Kleinwinkelstreuung Hermann Hartmann Institut für Molekulare Biophysik
2 Messmethode SAXS: Small-Angle X-Ray Scattering (Röntgenstrahlung) SANS: Small-Angle Neutron Scattering (Neutronen) Monochromatische Röntgen- oder Neutronenquelle Experimenteller Aufbau Protein in Lösung ( 1-50 mg/ml ) Molekülmodell θ q < 6 ο Detektor Gestreute Intensität I(q) Messkurve I Exp (Messdaten) I Mod (berechnet) Betrag des Streuvektors q [1/Å] σ Vorteile: Probe in Lösung Zeitauflösung Nachteil: Auflösung 1-dimensional und schlechter als 10 Å
3 Berechnung der gestreuten Intensität aus einem Molekülmodell Die Abstandsverteilungsfunktion p(r) I(q) Zahl der Abstände p(r) Abstandsverteilungsfunktion p(r) D Streuvektor q [1/Å] Abstand r zwischen zwei Streuzentren [Å] (1) I(q) = 4π D 0 sin(qr) p(r) dr qr p(r) = 0 1 (qr)i(q) sin(qr)dq π Berechnen der N-Teilchen Abstandsverteilungsfunktion p(r)aus Molekülmodell Mit (1) => I(q) p(r) = r γ ( r) ; γ ( r ): Radial gemittelte Autokorrelationsfunktion der Elektronendichte ρ r r 1 4π r r γ ( r) = ρ( ) ρ( ) = ρ ρ dω π ( ) ( ) 4 0 Besser: Abstände zählen
4 Berechnung der Abstandsverteilungsfuntion p(r) =ρ j ΔV ρ j ΔV ρ k r k r jk r jk = r jk r r j ρ j Gelb: Elektronendichte Kugeln: Atome ΔV N Voxel => Rechenaufwand: O(N²) => N verkleinern!
5 Berechnung der Abstandsverteilungsfunktion Kugel f k r jk f k r k r jk f j r j r k Kugel f j r j N Atome mit Elektronenzahl f j (Atomformfaktor) N Streukugeln mit Elektronenzahl f Kugel j = fi 3 ( f Kugel (q) = (Zahl der Elektronen ) ( sin (qr) qr cos (qr) ) 3 ) (qr)
6 Näherung für Elektronendichte (1-dimensional) Elektronendichte Atome Faltung mit Auflösungsfunktion Elektronendichte
7 Rekonstruktion der 3D-Struktur Rigid Body Modelling Voraussetzung: Molekül ist aus mehreren unabhängen Teilen ( rigid bodies ) aufgebaut und die 3D-Strukur der Bestandteile ist bekannt. χ M 1 I = M i= 1 Messung i I σ i Modell i + N = min N: Nebenbedingungen y z x Verfahren: - Brute force -Simulated annealing (Monte Carlo) -Genetische Algoritmen Aufwand für eine Berechnung: P(r): O(N ) ( Sekunden) I(q): (Messpunkte) (p(r)-intervalle) 10 5 ( Millisekunden)
8 Rekonstruktion der 3D-Struktur Moleküldarstellung durch viele Streuzentren und simulated annealing (MCSAS) χ M 1 I = M i= 1 Messung i I σ i Modell i + N = min N: Nebenbedingungen N Kugeln in hexagonal dichtester Kugelpackung Zufällig ausgwähltes Streuzentrum wird aus-oder angeschaltet N statistisch verteilte Punktstreuer Aufwand für einen MC-Schritt: P(r): O(N) I(q)=(M Messpunkte) (K p(r)-intervalle) 10 5 Wahrscheinlichkeit für Akzeptanz: p χ n min 1,exp + 1 A = χn T T: (Tempeartur) Parameter Zu Beginn groß, am Ende der Simulation klein E n+ 1 En p A = min 1,exp kbt Metropolis et al. (1953) J.Chem.Phys.1 Nebenbedingungen: Volumen (Molekularmasse), Konnektivität, D max
9 Rekonstruktion der 3D-Struktur Startmodell (0-Modell) Endmodell ~100 Endmodelle Räumlicher Fit der Endmodelle und Mittelwertbildung
10 4x6-meres HC aus Pandinus imperator MCSAS Elektronenmikroskopie
11 Berechnung der Abstandsverteilungsfunktion auf der GPU (CUDA) Erzeugen eines Histogramms aus allen Abständen ( mit f j f k gewichtet)! Histogram56 aus den CUDA code examples : GPU 3x schneller als eine CPU! Aus linearem Feld von 8-bit Integer Werten wird Histogramm mit 56 Intervallen erzeugt Histogram56 P(r)-Histogramm W0 W1 W W3 W4 W5 W6 W7. X0 Y0 Z0 F0 X1 Y1 Z1 F1 X Y Z F 3-bit Integer 3-bit Integer 4x3-bit Float 4x3-bit Float 4x3-bit Float Thread 0 Thread 1 Thread 0 Thread 1 W0 W1 W W3. Histogramm. Histogramm
12 Berechnung der Abstandsverteilungsfunktion auf der GPU (CUDA) 1. Versuch: 3x schneller als auf einer CPU! Probleme: 1) Zugriffskonflikte beim Lesen der Atom-Daten ) Zugriffskonflikte beim Schreiben in das Histogramm 3a) Histogramm aus 3-bit Integer Werten => Überlauf bei vielen Atomen und wenig Histogramm Intervallen 3b) Histogramm aus 3-bit Integer Werten aber f j f k i.a. reelle Zahl, oder große Integer Zahl => siehe 3a) Lösungen : 1)Atomdaten als float4 (CUDA Vektorformat), d.h x,y,z,f werden in einem Speicherzugriff gelesen. Atomdaten als texture ; Dieser Bereich des globalen Speichers wird gecached. ) Optimierung aus hist56 übernommen; 6 Sub-Histogramme im shared memory (sehr schnell, aber nur 16KB) die am Schluss aufaddiert werden; Konflikte nur innerhalb eines warps aus 3 threads; Zahl der Histogrammintervalle =640 ( < 16KB/(6 4Byte) ); GeForce 8800 keine hardware atomic Funktionen für shared memory, also in Software implemntiert; GeForce xx und 3xx deutlich schneller? 3) Zur Zeit nicht lösbar; aber neue Nvidia 300-Serie: 48 KB shared memory?
13 Berechnung der N-Teilchen Abstandsverteilungsfunktion p(r) Berechnung (Histogramm) Zahl der Atome CPUZeit [ms] 1, GPU Zeit [ms] 1,3 Beschleunigung CPU-Histogramm: Gleitkomma, doppelte Genauigkeit (64 Bit) GPU-Histogramm: Integer (3-Bit) Intel CoreDuo, 3GHz 3 GeForce 8800 GT Rigid Body Modelling 1.N-Teilchen Abstandsverteilungsfunktion (N Abstände): ms.sinus-transformation: <0.1 ms => 15x schneller auf der GPU y z x
14 Berechnung der 1-Teilchen Abstandsverteilungsfunktion p(r) Berechnung (Histogramm) Zahl der Atome CPU Zeit [ms]* GPU Zeit [ms]* Beschleunigung Limitierung für die GPU: Kopieren CPU-Speicher Graphikkartenspeicher
15 Berechnen der gestreuten Intensität Diskrete Sinustransformation q-werte/ r-werte CPU Zeit [ms] GPU Zeit [ms] Beschleunigung 500/ typisch Fast Fourier Transformation (FFT) q-werte/ r-werte CPUZeit [ms] 1 GPU Zeit [ms] Beschleunigung 500/ / / / / FFTW3 Bibliothek, CUFFT Bibliothek?
16 Zusammenfassung Rigid Body Modelling: Beschleunigung um Faktor 15 auf GPU Mehr mit Hardware atomic add? MCSAS: Bis jetzt keine Beschleunigung wenn nur Teile des Programms in CUDA programmiert; zukünftige GPU-Generationen, weniger Latenzzeit für das Kopieren CPU-Speicher GPU-Speicher?
7 Zufallszahlen, Simulation
7 Zufallszahlen, Simulation Es ist nützlich, Folgen von i.i.d. R[0, 1]-verteilten Zufallszahlen auf einem Rechner erzeugen zu können vgl. Simulation, Monte-Carlo-Verfahren). Letztere sind i.a. keine echten
MehrBiological Small Angle X-Ray Scattering/Diffraction (B-SAXS/D) Röntgenkleinwinkelstreuung an Proteinen in Lösung
Biological Small Angle X-Ray Scattering/Diffraction (B-SAXS/D) Röntgenkleinwinkelstreuung an Proteinen in Lösung 168 Laboratory X-ray Source Generator Spectrum Cu Kα: λ = 1.55 Å X-ray Tube Kratky Kamera
MehrRutherford Streuung F 1. r 12 F 2 q 2 = Z 2 e. q 1 = Z 1 e
Rutherford Streuung Historisch: Allgemein: Streuung von α-teilchen an Metallfolien Ernest Rutherford, 96 Streuung geladener Teilchen an anderen geladenen Teilchen unter der Wirkung der Coulomb-Kraft. F
Mehrtechnische universität dortmund Lehrstuhl für Hochfrequenztechnik Übertragungssysteme
Lehrstuhl für Hochfrequenztechnik GPU-beschleunigte numerische Simulation faseroptischer Übertragungssysteme, Marius Helf, Peter Krummrich Übersicht Motivation Split-Step p Fourier Methode Ansätze für
MehrCUDA. Jürgen Pröll. Multi-Core Architectures and Programming. Friedrich-Alexander-Universität Erlangen-Nürnberg Jürgen Pröll 1
CUDA Jürgen Pröll Multi-Core Architectures and Programming Jürgen Pröll 1 Image-Resize: sequentiell resize() mit bilinearer Interpolation leicht zu parallelisieren, da einzelne Punkte voneinander unabhängig
MehrModellierung und Simulation optischer Strahlführungen. Diplomarbeit Timon Bätz
Modellierung und Simulation optischer Strahlführungen Diplomarbeit Timon Bätz Übersicht Ziele Physikalische Hintergründe Architektur und Implementierung Ergebnisse Ausblick Demo 2 Ziele Entwicklung eines
MehrProgrammierbeispiele und Implementierung. Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de
> Programmierbeispiele und Implementierung Name: Michel Steuwer E-Mail: michel.steuwer@wwu.de 2 > Übersicht > Matrix Vektor Multiplikation > Mandelbrotmenge / Apfelmännchen berechnen > Kantendetektion
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrRöntgen- Pulverdiagramme
Röntgen- Pulverdiagramme Prof. Dr. Martin U. Schmidt Goethe-Universität Frankfurt Institut für Anorganische und Analytische Chemie Max-von-Laue-Str. 7 60438 Frankfurt am Main m.schmidt@chemie.uni-frankfurt.de
MehrCUDA. Moritz Wild, Jan-Hugo Lupp. Seminar Multi-Core Architectures and Programming. Friedrich-Alexander-Universität Erlangen-Nürnberg
CUDA Seminar Multi-Core Architectures and Programming 1 Übersicht Einleitung Architektur Programmierung 2 Einleitung Computations on GPU 2003 Probleme Hohe Kenntnisse der Grafikprogrammierung nötig Unterschiedliche
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrLambert Beer. Grundlagen der Streuung: Teil I Grundbegriffe. Streuung vs. Beugung. Typisches Streuexperiment. ) = Einfallende Intensität I t
Grundlagen der Streuung: Teil I Grundbegriffe Streuung vs. Beugung Typisches Streuexperiment I 0 ( 0 ) I t ( 0 ) I 0 ( 0 ) = Einfallende Intensität I t ( 0 ) = transmittierte Intensität I s (,) = Streuintensität
MehrGrundlagen Statische Lichtstreuung Dynamische Lichtstreuung Zusammenfassung. Lichtstreuung. Seminar zu Weiche Materie WS 2007/2008.
Lichtstreuung Seminar zu Weiche Materie WS 2007/2008 Bernhard Mayer Fachbereich Physik Universität Konstanz 14. Dezember 2007 Inhaltsverzeichnis 1 Grundlagen 2 Statische Lichtstreuung Grundlegende Theorie
MehrGPGPU-Architekturen CUDA Programmiermodell Beispielprogramm. Einführung CUDA. Ralf Seidler. Friedrich-Alexander-Universität Erlangen-Nürnberg
Einführung CUDA Friedrich-Alexander-Universität Erlangen-Nürnberg PrakParRA, 18.11.2010 Outline 1 GPGPU-Architekturen 2 CUDA Programmiermodell 3 Beispielprogramm Outlook 1 GPGPU-Architekturen 2 CUDA Programmiermodell
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrGrafikkarten-Architektur
> Grafikkarten-Architektur Parallele Strukturen in der GPU Name: Sebastian Albers E-Mail: s.albers@wwu.de 2 > Inhalt > CPU und GPU im Vergleich > Rendering-Pipeline > Shader > GPGPU > Nvidia Tesla-Architektur
MehrÜbungsaufgaben zur Kristallographie Serie 10 LÖSUNG
1) Packungsdichte Berechnen Sie die Packungsdichte der kubisch dichtesten Kugelpackung, der hexagonal dichtesten Kugelpackung, einer kubisch primitiven Kugelpackung und einer kubisch innenzentrierten Kugelpackung.
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrAppendix 37.A: Strukturuntersuchung mit Kleinwinkelstreuung
Appendix 37.A: Strukturuntersuchung mit Kleinwinkelstreuung Vorbemerkung: Die Bestimmung der Struktur komplexer Materialien oder supramolekularer Komplexen mit Streumethoden ist eine mühsame aber unausweichliche
MehrEinführung in das Molecular Modelling
Einführung in das Molecular Modelling Darstellung und Bearbeitung dreidimensionaler Molekülstrukturen Berechnung der physikochemischen Eigenschaften Ziel: Einsicht in die molekularen Mechanismen der Arzneistoffwirkung
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrCompute Unified Device Architecture CUDA
Compute Unified Device Architecture 06. Februar 2012 1 / 13 Gliederung 2 / 13 : Compute Unified Device Architecture entwickelt von Nvidia Corporation spezifiziert Software- und Hardwareeigenschaften Ziel:
MehrAlle Angaben sind ohne Gewähr!
Alle Angaben sind ohne Gewähr! Die Abbildungen sind hauptsächlich aus dem Buch: Van Holde/Johnson/Ho: Principles of physical biochemistry Buch nur zur Kristallographie: Crystallography Made Crystal Clear:
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrPhysX Evaluation. Softwarepraktikum Computergraphik. Daniel Brock, Robert Kreuzer, Simon Kufner. 5. Juli 2010
PhysX Evaluation Softwarepraktikum Computergraphik Daniel Brock, Robert Kreuzer, Simon Kufner 5. Juli 2010 Daniel Brock, Robert Kreuzer, Simon Kufner () PhysX Evaluation 5. Juli 2010 1 / 17 1 Aufgabenstellung
MehrE 3. Ergänzungen zu Kapitel 3
E 3. Ergänzungen zu Kapitel 3 1 E 3.1 Kritisches Verhalten des van der Waals Gases 2 E 3.2 Kritisches Verhalten des Ising Spin-1/2 Modells 3 E 3.3 Theorie von Lee und Yang 4 E 3.4 Skalenhypothese nach
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrMasterpraktikum Scientific Computing
Masterpraktikum Scientific Computing High-Performance Computing Thomas Auckenthaler Wolfgang Eckhardt Prof. Dr. Michael Bader Technische Universität München, Germany Outline Organisatorisches Entwicklung
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
MehrSchwingungen und ihre Filterung unter Verwendung von Ergebnissen aus FEM-Rechnungen
Schwingungen und ihre Filterung unter Verwendung von Ergebnissen aus FEM-Rechnungen AG Qualität im Fachbereich Mathematik Universität Hannover, Welfengarten, D - 3067 Hannover Telephon: +49-5-762-3336
Mehr2.1.5 Mechanische Eigenschaften von Holz. Experimente an Druckholz (MFA = 46 ) ID01. MFA wird unter Zug kleiner!
2.1.5 Mechanische Eigenschaften von Holz 113 Experimente an Druckholz (MFA = 46 ) ID01 MFA wird unter Zug kleiner! Mikroskopischer Klettverschluß in Holz? 114 50 MFA ( ) σ (MPa) 40 30 20 10 0 45 42 39
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung
MehrFK Experimentalphysik 3, Lösung 4
1 Sterne als schwarze Strahler FK Experimentalphysik 3, 4 1 Sterne als schwarze Strahler Betrachten sie folgende Sterne: 1. Einen roten Stern mit einer Oberflächentemperatur von 3000 K 2. einen gelben
MehrGrundlagen der Quantentheorie
Grundlagen der Quantentheorie Ein Schwarzer Körper (Schwarzer Strahler, planckscher Strahler, idealer schwarzer Körper) ist eine idealisierte thermische Strahlungsquelle: Alle auftreffende elektromagnetische
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
MehrEinführung in die Neutronenstreuung. Robert Georgii Forschungsneutronenquelle Hans Maier-Leibnitz TU München
Einführung in die Neutronenstreuung Robert Georgii Forschungsneutronenquelle Hans Maier-Leibnitz TU München Literatur Sehr empfehlenswert: Neutron scattering: A Primer by Roger Pynn Los Alamos Science
MehrSpielst du noch oder rechnest du schon?
Spielst du noch oder rechnest du schon? Mit Spielkonsole und Co. zum Supercomputer der Zukunft Fachbereich Elektrotechnik und Informationstechnik Fachhochschule Bielefeld University of Applied Sciences
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrF-PRAKTIKUM: VORTRAG MV
Fakultät Mathematik und Naturwissenschaften Fachrichtung Physik F-PRAKTIKUM: VORTRAG MV MV: Millikan Versuch Axel Hübl, Betreuer: Ronald Stübner Dresden, 15.07.2011 01 Gliederung 1 Wesentliche Verbesserungen
MehrGPGPU mit NVIDIA CUDA
01.07.12 GPGPU mit NVIDIA CUDA General-Purpose on Formatvorlagecomputing des Graphics Processing durch Units Untertitelmasters mit KlickenCompute bearbeiten NVIDIA Unified Device Architecture Gliederung
MehrMM Proteinmodelling. Michael Meyer. Vorlesung XVII
Proteinmodelling Vorlesung XVII Proteinstrukturen Es besteht ein sehr großer Bedarf an Proteinstrukturen: Die Kenntnis der 3D-Struktur hat große Vorteile für das Design neuer Wirkstoffe. Experimentelle
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrInteraktives Wasser in 3D. Jörn Loviscach Hochschule Bremen
Interaktives Wasser in 3D Jörn Loviscach Hochschule Bremen Ringwellen (Kapillar- und Schwerewellen) Kelvin-Schiffswellen Reflexionen von Himmel (Frensel-Effekt) und Sonne Kaustiken mit korrekten Schatten
MehrGrundlagen von CUDA, Sprachtypische Elemente
Grundlagen von CUDA, Sprachtypische Elemente Stefan Maskanitz 03.07.2009 CUDA Grundlagen 1 Übersicht 1. Einleitung 2. Spracheigenschaften a. s, Blocks und Grids b. Speicherorganistion c. Fehlerbehandlung
MehrEchtzeit-MRT Ein Überblick
Echtzeit-MRT Ein Überblick Jens Frahm Biomedizinische NMR Forschungs GmbH am Max-Planck-Institut für biophysikalische Chemie Göttingen www.biomednmr.mpg.de Deutsche Röntgen-Gesellschaft APT, Göttingen,
MehrSeminar - Weiche Materie - WS 07/08
Seminar - Weiche Materie - WS 07/08 & & und Streuexperimente 08. Februar 2008 1 / 31 Beispiele für Polymere & 2 / 31 & roter Faden 3 / 31 & roter Faden Input: Monomerzahl N und Stäbchenlänge b=fest 3 /
MehrZufallszahlenerzeugung
Zufallszahlenerzeugung Anwendunsgebiete: z.b.: - Computerspiele - Kryptographie - Monte-Carlo-Methoden - Simulation Melanie Kaspar, Prof. Dr. B. Grabowski 1 Wie erzeuge ich Zufallszahlen, die sich so verhalten,
MehrPraxiseinheit: Realisierung einer hardwarebeschleunigten Disparitätenberechnung zur automatischen Auswertung von Stereobildern
Praxiseinheit: Realisierung einer hardwarebeschleunigten Disparitätenberechnung zur automatischen Auswertung von Stereobildern Institut für Betriebssysteme und Rechnerverbund TU Braunschweig 25.10., 26.10.
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrMoleküldynamik. Modell: Klassische Mechanik Newtonsche Bewegungsgleichungen. = m a i
Mikroskopische Simulation der Molekülbewegungen Moleküldynamik Statistische Mechanik Modell: Klassische Mechanik Newtonsche Bewegungsgleichungen Makroskopische igenschaften des Systems (nergie, Temp, Druck,
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrBildgebung mit Röntgenstrahlen. Wechselwirkung mit Materie
Wechselwirkung mit Materie Scanogramm Röntgen- Quelle Detektor ntwicklung Verarbeitung Tomogramm Bohrsches Atommodell M (18e - ) L (8e - ) K (2e - ) Wechselwirkung mit Materie Kohärente Streuung Röntgenquant
MehrSimulation von Brownscher Dynamik und Assoziationsraten von PP-Komplexen. Alexander Baldauf Montag
Simulation von Brownscher Dynamik und Assoziationsraten von PP-Komplexen Alexander Baldauf Montag 25.04.2005 Motivation Typen von Interaktionen Verschiedene Methoden zur Vorhersage Wie kommen die beiden
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
Mehr10. Innere Koordinaten/Kraftfelder
Computeranwendung in der Chemie Informatik für Chemiker(innen) 10. Innere Koordinaten/Kraftfelder Jens Döbler 2004 "Computer in der Chemie", WS 2003-04, Humboldt-Universität VL10 Folie 1 Dr. Jens Döbler
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr7 Monte Carlo-Simulationen
7 Monte Carlo-Simulationen Aufgabe 7.1: Das Lennard-Jones Potential, u(r) = 4ε [ (σ r )12 ( σ r ) 6 ], hat sich als ein recht brauchbares einfaches Modell für die effektive Paarwechselwirkung zwischen
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrElektron-Proton Streuung
Elektron-Proton Streuung Seminar Präzessionsexperimente er Teilchenphysik Sommersemester 014 0.06.014 SIMON SCHMIDT ELEKTRON-PROTON STREUUNG 1 Übersicht Theorie I Kinematik Wirkungsquerschnitte Experiment
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Mehr1.3. DAS COULOMBSCHE GESETZ, ELEKTROSTATISCHES FELD 9
8 KAPITEL. ELEKTROSTATIK.3 Das Coulombsche Gesetz, elektrostatisches Feld Zur Einführung verschiedener Grundbegriffe betrachten wir zunächst einmal die Kraft, die zwischen zwei Ladungen q an der Position
MehrHinweis: Geben Sie für den Winkel α keinen konkreten Wert, sondern nur für sin α und/oder cos α an.
1. Geschwindigkeiten (8 Punkte) Ein Schwimmer, der sich mit konstanter Geschwindigkeit v s = 1.25 m/s im Wasser vorwärts bewegen kann, möchte einen mit Geschwindigkeit v f = 0.75 m/s fließenden Fluß der
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrCUDA. Axel Jena, Jürgen Pröll. Multi-Core Architectures and Programming. Friedrich-Alexander-Universität Erlangen-Nürnberg Axel Jena, Jürgen Pröll 1
CUDA Axel Jena, Jürgen Pröll Multi-Core Architectures and Programming Axel Jena, Jürgen Pröll 1 Warum Tesla? Traditionelle Graphikkarten Getrennte Prozessoren für Vertex- / Pixelberechnungen - Nachteil:
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrKapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
Mehr11. Quantenchemische Methoden
Computeranwendung in der Chemie Informatik für Chemiker(innen) 11. Quantenchemische Methoden Jens Döbler 2004 "Computer in der Chemie", WS 2003-04, Humboldt-Universität VL11 Folie 1 Grundlagen Moleküle
MehrFit in Mathe. Juni Klassenstufe 10. Trigonometrie mit Sinus- und Kosinussatz
Thema Musterlösungen 1 Trigonometrie mit Sinus- und Kosinussatz Vorbemerkungen Für Winkelangaben wird hier, wenn nicht anders angegeben, das Bogenmaß verwendet. Es gilt 1 rad = 360 π 57, bezeichnet das
MehrWhat is a Fourier transform? A function can be described by a summation of waves with different amplitudes and phases.
What is a Fourier transform? A function can be described by a summation of waves with different amplitudes and phases. Fourier Synthese/Anaylse einer eckigen periodischen Funktion Fourier Interferomter
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrDer Comptoneffekt (Versuch 22)
Der Comptoneffekt (Versuch ) Experiment von Compton Begriff des Wirkungsquerschnitts Klein-Nishina-Formel Aufbau im Praktikum Detektoranordnung Elektronik Koinzidenzmessung Moderne Anwendungen Szintillationsdetektoren
MehrOberflächenspannung. Abstract. 1 Theoretische Grundlagen. Phasen und Grenzflächen
Phasen und Grenzflächen Oberflächenspannung Abstract Die Oberflächenspannung verschiedener Flüssigkeit soll mit Hilfe der Kapillarmethode gemessen werden. Es sollen die mittlere Abstand der einzelnen Moleküle
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
Mehr: Quantenmechanische Lösung H + 2. Molekülion und. Aufstellen der Schrödingergleichung für das H + 2
H + 2 Die molekulare Bindung : Quantenmechanische Lösung Aufstellen der Schrödingergleichung für das H + 2 Molekülion und Lösung Wichtige Einschränkung: Die Kerne sind festgehalten H Ψ(r) = E Ψ(r) (11)
MehrImproving the Accuracy of GPS
Improving the Accuracy of GPS Stephan Kopf, Thomas King, Wolfgang Effelsberg Lehrstuhl für Praktische Informatik IV Universität Mannheim Gliederung Motivation ierungsfehler von GPS Steigerung der Genauigkeit
MehrVorlesung 21: Roter Faden: Das Elektron als Welle Heisenbergsche Unsicherheitsrelation. Versuch: Gasentladung
Vorlesung 21: Roter Faden: Das Elektron als Welle Heisenbergsche Unsicherheitsrelation Versuch: Gasentladung Juli 7, 2006 Ausgewählte Kapitel der Physik, Prof. W. de Boer 1 Erste Experimente mit Elektronen
MehrDie Digitalisierung von Musik
Die Digitalisierung von Musik 1 Analoges Speichern Speicherung von Musik auf einer LP Die Daten sind analog gespeichert Analysis 2 Digitale Datenerfassung 1.Sampling Das (akustische) elektrische Signal
MehrÜbungen Physik VI (Kerne und Teilchen) Sommersemester 2010
Übungen Physik VI (Kerne und Teilchen) Sommersemester 2010 Übungsblatt Nr. 1 Bearbeitung bis 22.04.2010 Webseite des Email-Verteilers: https://www.lists.kit.edu/sympa/info/ktp-ss2010 Verwenden Sie den
MehrLösung 09 Klassische Theoretische Physik I WS 15/16. G(t t ) = Θ(t t )e α(t t ). (1)
Karlsruher Institut für Technologie Institut für theoretische Festkörperphysik www.tfp.kit.edu Lösung 09 Klassische Theoretische Physik I WS 5/6 Prof. Dr. G. Schön 0 Punkte Sebastian Zanker, Daniel Mendler
MehrPGI Accelerator Model
PGI Accelerator Model Philip Höhlein, Nils Werner Supervision: R. Membarth, P. Kutzer, F. Hannig Hardware-Software-Co-Design Universität Erlangen-Nürnberg Philip Höhlein, Nils Werner 1 Übersicht Motivation
MehrBinomialverteilung Vertrauensbereich für den Anteil
Übungen mit dem Applet Binomialverteilung Vertrauensbereich für den Anteil Binomialverteilung Vertrauensbereich für den Anteil 1. Statistischer Hintergrund und Darstellung.... Wie entsteht der Vertrauensbereich?...
MehrWAS FEHLT? STATISCHE KORRELATION UND VOLLE KONFIGURATIONSWECHSELWIRKUNG
31 besetzen als die β Elektronen. Wenn man dies in der Variation der Wellenfunktion zulässt, also den Satz der Orbitale verdoppelt und α und β Orbitale gleichzeitig optimiert, so ist i. A. die Energie
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrUltrakurze Lichtimpulse und THz Physik
Ultrakurze Lichtimpulse und THz Physik 1. Einleitung 2. Darstellung ultrakurzer Lichtimpulse 2.1 Prinzip der Modenkopplung 2.2 Komplexe Darstellung ultrakurzer Lichtimpulse 2.2.1 Fourier Transformation
MehrDigital Image Interpolation with CUDA
Digital Image Interpolation with CUDA Matthias Schwarz & Martin Rustler Hardware-Software-Co-Design Universität Erlangen-Nürnberg matthias.schwarz@e-technik.stud.uni-erlangen.de martin.rustler@e-technik.stud.uni-erlangen.de
MehrGeneral Purpose Computation on GPUs
General Purpose Computation on GPUs Matthias Schneider, Robert Grimm Universität Erlangen-Nürnberg {matthias.schneider, robert.grimm}@informatik.stud.uni-erlangen.de M. Schneider, R. Grimm 1 Übersicht
MehrGrundlagen der Physik 2 Schwingungen und Wärmelehre
Grundlagen der Physik 2 Schwingungen und Wärmelehre Othmar Marti othmar.marti@uni-ulm.de Institut für Experimentelle Physik 11. 06. 2007 Othmar Marti (Universität Ulm) Schwingungen und Wärmelehre 11. 06.
Mehr2.1.3 Wechselwirkung von Photonen in Materie
2.1.3 Wechselwirkung von Photonen in Materie Photo-Effekt (dominant b. kleinen Energien) Compton-Effekt Paarerzeugung (dominant b. großen Energien) Literatur: W.R. Leo, Techniques for Nuclear and Particle
MehrAlle Atome haben Massen ungefähr einem vielfachen der Masse des Wasserstoff Atoms.
02. Atom Page 1 2. Das Atom Atom: kleinster unveränderbarer Bestandteil eines chemischen Elements Charakteristische Eigenschaften von Atomen: Masse, Volumen, Ladung 2.1 Bestimmung der Atommasse expt. Befund:
MehrElliptic Curve Cryptography
Elliptic Curve Cryptography Institut für Informatik Humboldt-Universität zu Berlin 10. November 2013 ECC 1 Aufbau 1 Asymmetrische Verschlüsselung im Allgemeinen 2 Elliptische Kurven über den reellen Zahlen
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
MehrGPU-basiertes Volumenrendering von multimodalen medizinischen Bilddaten in Echtzeit
GPU-basiertes Volumenrendering von multimodalen medizinischen Bilddaten in Echtzeit Ingrid Scholl 1, Nicole Schubert 1, Pascal Ziener 1, Uwe Pietrzyk 2 1 Fachbereich für Elektrotechnik und Informationstechnik,
MehrMolekulare Simulation
Molekulare Simulation und Optimierung Martin Horsch Kaiserslautern, 16. September 2013 MSO-Workshop von ITWM und LTD Optimierung komplexer Systeme Optimierung komplexer Systeme mit einer großen Zahl von
Mehr