Nvidia’s toolkit Compute Unified Device Architecture (CUDA) have opened the door for anyone with a Nvidia Graphics Processing Unit (GPU) to harness its power and let them use the GPU’s strength in parallelism to solve computational heavy tasks. This thesis will discuss if a CUDA powered GPU is worth investing into compared to a traditional CPU. The thesis compares performance (execution time, power usage and memory usage), cost and the complexity of the code. The performance of the CPU and GPU is compared by benchmarking a computational heavy model problem, which consists of solving a one- and three-dimensional wave-equation with the finite-difference method. The results show that a CUDA powered GPU have a great performance advantage for larger data sets, while a CPU show a better result on smaller data sets. The GPU seems promising for larger data sets, however there is a drawback with the higher cost for investing in a GPU, both in retail price and the complexity of developing in CUDA. Due to limited access to hardware the research has been concentrated on one set of hardware and for future work it is recommended it is extended to multiple machines to diversify the result.

Nvidias Compute Unified Device Architecture (CUDA) har öppnat dörrarna så att alla med en Nvidia grafikprocessor (GPU) kan använda dess prestanda och utnyttja GPU:ens styrka i parallellisering till att lösa beräkningstunga uppgifter. Detta arbete kommer att diskutera om en CUDA driven GPU är värd att investera i, jämfört med en traditionell CPU. Detta arbete jämför prestanda (beräkningstid, strömförbrukning och minnesanvändning), kostnad och komplexiteten av koden. Prestandan för CPU:n och GPU:n är jämförda med ett beräkningstungt modellproblem vilket löser en- och tre dimensionella vågekvationer med den finita differensmetoden. Resultaten visar att en CUDA driven GPU har ett bättre resultat för större datamängder, medan en CPU har ett bättre resultat på mindre datamängder. Trots att GPU:n visar ett lovande resultat för större datamängder finns en nackdel med den högre kostnaden med att investera i en GPU, både i detaljhandelspriset och komplexiteten med att utveckla program i CUDA. På grund av begränsad tillgång till hårdvara har arbetet koncentrerats till en uppsättning av hårdvara och för framtida arbete rekommenderas det att den utökas till flera maskiner för att diversifiera resultatet.