通过代码生成加速数值相对论：CUDA 优化的双曲型松弛

下一代引力波探测器如 Cosmic Explorer、Einstein Telescope 和 LISA，对从观测信号中可靠提取物理参数的 GW 目录需求极大。然而，数值相对论 (NR) 在现代计算机上以所需的规模和精度生成这些目录面临重大挑战，因为 NR 代码未能充分利用现代 GPU 能力。为此，我们扩展了 NRPy——一个基于 Python 的 NR 代码生成框架，以开发 NRPyEllipticGPU——一个针对二进制黑洞 (BBH) 初始数据问题的 CUDA 优化椭圆求解器。NRPyEllipticGPU 是 NR 社区首个 GPU 化椭圆求解器，支持多种坐标系，在消费级和 HPC 级 GPU 上均显示出显著的性能提升。我们指出，与高端 CPU 相比，NRPyEllipticGPU 在高端 GPU 上单精度可实现最高 16 倍加速，双精度性能提升 2--4 倍。这一性能提升利用了 GPU 卓越的并行性和内存带宽，以实现计算受限的应用，从而提高整体仿真效率。由于 NRPyEllipticGPU 共享 NR 代码所共有的核心基础设施，本工作为开发完整的 CUDA 优化 NR 代码提供了实用指南。