Lauching 2d блок потоков в Cuda падает

Я строю симуляцию n-body, используя CUDA для повышения производительности. В настоящее время я работаю над дальнейшим распараллеливанием системы, чтобы каждое взаимодействие между частицами проходило в отдельном потоке. Это уменьшает теоретическую сложность до 1, ограниченную только скоростью графического процессора.

Для этого я пытаюсь запустить ядро, используя набор блоков N ^ 2 (где N в количестве частиц), используя (N/T, N/T) сетка и T*T блоков (где T — количество потоков в блоке). Мне удалось запустить сетку N * N, но всякий раз, когда я пытаюсь использовать многомерные блоки (потоков), ядро ​​вылетает с:

error code invalid configuration arguments

Это с T = 512 и N = 5000, но уменьшение их до T = 128 и N = 1000 не дало эффекта. Вот некоторые характеристики и код:

Cuda SDK Версия: 7.5

GPU: GTX 970 4 ГБ

Версия CC: 5.2

Компиляция в MSVS 2013 64bit в Windows 7

Код запуска ядра

dim3 block(TPB, TPB);
dim3 grid;
grid.x = (numParticles + TPB - 1) / TPB;
grid.y = (numParticles + TPB - 1) / TPB;

doParticles<<< grid, block >>>(d_pos, d_vel, d_acc, d_mass, numParticles, dt);

Как я могу изменить этот код для достижения моей цели?

Я могу опубликовать некоторый код ядра и т. Д., Но не думаю, что это имеет значение, поскольку ядро ​​даже не запускается. Дайте мне знать, будет ли полезна любая другая информация.

Заранее спасибо.

РЕДАКТИРОВАТЬ:

MCVE

главный

#define TPB 32
....

unsigned int numParticles = 1000;
p_type* h_pos;
p_type* h_vel;
p_type* h_acc;
p_type* h_mass;

p_type* d_pos;
p_type* d_vel;
p_type* d_acc;
p_type* d_mass;int pointsPerParticleVec = 3;
size_t size = sizeof(p_type) * 3 * numParticles;

h_pos = (p_type*)malloc(size);
h_vel = (p_type*)malloc(size);
h_acc = (p_type*)malloc(size);
h_mass = (p_type*)malloc(size / 3);

d_pos = NULL;
d_vel = NULL;
d_acc = NULL;

cudaError_t err = cudaSuccess;
//allocate space on GPU
err = cudaMalloc((void **)&d_pos, size);
err = cudaMalloc((void **)&d_vel, size);
err = cudaMalloc((void **)&d_acc, size);
err = cudaMalloc((void **)&d_mass, size / 3);

//nothing really matters for this example just making sure no gargage values happen
for (int partIt = 0; partIt < numParticles; partIt++)
{
int index = partIt * 3;

h_pos[index] = 0;
h_pos[index + 1] = 0;
h_pos[index + 2] = 0;

h_vel[index] = 0;
h_vel[index + 1] = 0;
h_vel[index + 2] = 0;

h_acc[index] = 0;
h_acc[index + 1] = 0;
h_acc[index + 2] = 0;

h_mass[partIt] = 0;
}

err = cudaMemcpy(d_pos, h_pos, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_vel, h_vel, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_acc, h_acc, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_mass, h_mass, size / 3, cudaMemcpyHostToDevice);

while (true)    //display functionality removed for now
{
//do calculations
float dt = .1;
dim3 block(TPB, TPB);
dim3 grid;
grid.x = (numParticles + TPB - 1) / TPB;
grid.y = (numParticles + TPB - 1) / TPB;

doParticles << < grid, block >> >(d_pos, d_vel, d_acc, d_mass, numParticles, dt);   //<<<<<<<<<<<<here is where it does not launch

err = cudaGetLastError();

if (err != cudaSuccess)
{
fprintf(stderr, "Failed to launch vectorAdd kernel (error code %s)!\n", cudaGetErrorString(err));   //see the error pop up here
exit(EXIT_FAILURE);
}

cudaDeviceSynchronize();

int numBlocks2 = (numParticles * 3 + TPB - 1) / TPB;

//add acceleration to velocity
ARR_ADD << <numBlocks2, TPB >> >(d_vel, d_acc, numParticles * 3);

cudaDeviceSynchronize();
//reset acceleration vector
ARR_SET << <numBlocks2, TPB >> >(d_acc, 0.0f, numParticles * 3);

//add velocity to position
POS_ADD << <numBlocks2, TPB >> >(d_pos, d_vel, numParticles * 3, dt);

//copy vector back to cpu (until opengl-cuda gets implemented)
cudaMemcpy(h_pos, d_pos, sizeof(p_type) * 3 * numParticles, cudaMemcpyDeviceToHost);
}

ядра

__device__ float fInvSqrt_D(const float& in)
{
long i;
float x2, y;
const float threehalfs = 1.5F;

x2 = in * 0.5F;
y = in;
i = *(long *)&y;
i = 0x5f3759df - (i >> 1);
y = *(float *)&i;
y = y * (threehalfs - (x2 * y * y));
y = y * (threehalfs - (x2 * y * y));    //extra precision
return abs(y);
}

__global__ void POS_ADD(p_type* getter, const p_type *giver, int N, float dt)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = getter[index] + (giver[index]*dt);
}

}

__global__ void ARR_ADD(p_type* getter, const p_type *giver, int N)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = getter[index] + giver[index];
}

}

__global__ void ARR_SET(p_type* getter, const p_type value, int N)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = value;
}
}__global__ void doParticles(p_type* pos, p_type* vel, p_type* acc, p_type* mass, int numParticles, float tstep)
{
int blockId = blockIdx.y * gridDim.x + blockIdx.x;
int threadIndex = blockId * blockDim.x + threadIdx.x;

int cRowPos = blockId % gridDim.y;
int notInRow = blockId - cRowPos;

int Y = blockId/gridDim.x + threadIdx.y;    //slower changing iterator
int X = threadIndex - ((notInRow) * TPB);   //fast changing iterator

int pIndex1 = X * 3;
int pIndex2 =Y * 3;

if (pIndex1 != pIndex2 && Y < numParticles)
{

p_type diffx = (pos[pIndex1] - pos[pIndex2]);           //calculating difference between points
p_type diffy = (pos[pIndex1 + 1] - pos[pIndex2 + 1]);
p_type diffz = (pos[pIndex1 + 2] - pos[pIndex2 + 2]);

p_type distsqr = diffx*diffx + diffy*diffy + diffz*diffz;

if (distsqr < 0)
{
distsqr *= -1;
}
if (distsqr < 500)
{
distsqr = 500;
}

p_type attraction = (mass[X] * mass[Y]) / (distsqr);    //gravity equationp_type invsqrt = fInvSqrt_D((float)distsqr);
p_type normx = invsqrt*diffx;
p_type normy = invsqrt*diffy;
p_type normz = invsqrt*diffz;

p_type forcex = normx * -attraction;
p_type forcey = normy * -attraction;
p_type forcez = normz * -attraction;

acc[pIndex1] += (forcex * tstep) / mass[X];
acc[pIndex1 + 1] += (forcey * tstep) / mass[X];
acc[pIndex1 + 2] += (forcez * tstep) / mass[X];}
}

И да, я знаю, что индексация в ядре doParticle нарушена. Я планирую исправить тот, который он запускает. 🙂

Еще раз спасибо.