In the last decade, computational power, memory bandwidth and programmability capabilities of graphics processing units (GPU) have rapidly evolved. Therefore, many researches have been performed to use GPUs in advanced graphics rendering. Because of its high degree of it parallelism, ray tracing has been one of the first algorithms studied on GPUs. However, the rendering of large scenes with ray tracing can easily exceed the GPU's memory capacity. The algorithm proposed in this work uses a data parallel approach where the scene is partitioned and assigned to CPU-GPU couples in a cluster to overcome this problem. Our algorithm focuses on ray casting which is a special case of ray tracing mainly used in visualization of volumetric data. CPUs are pretty efficient in flow control and branching while GPUs are very fast performing intense floating point operations. Using these facts, the GPUs in the cluster are assigned the task of performing ray casting while the CPUs are responsible for traversing the rays. In the end, we were able to visualize large scenes successfully by utilizing CPU-GPU couples effectively and observed that the performance is highly dependent on the viewing angle as a result of load imbalance.

Son birkaç yılda çizge işlem birimlerinin (GPU) işlem gücü, bellek bant genişliği ve programlanabilme yetenekleri hızlı bir şekilde gelişti. Bu gerçekler göz önüne alınarak GPUları ileri çizge sentezleme alanlarında kullanmak için pek çok araştırma yapıldı. Işın izleme, yüksek derecedeki koşutluğu sebebiyle GPUlar üzerinde çalışılan ilk konulardan birisi oldu. Ancak büyük sahnelerin ışın izleme ile gerçeklenmesi GPUnun bellek kapasitesini kolaylıkla aşabilir. Bu çalışmada ortaya konan algoritma, sahnenin parçalara ayrılarak ortaya çıkan her bir parçanın bir kümede bulunan CPU-GPU çiftlerine atandığı veri koşut bir yaklaşım kullanmaktadır. Algoritmamız daha çok hacimsel verilerin görsellenmesinde kullanılan ve ışın izlemenin özel bir durumu olan ışın hesaplama üzerine yoğunlaşmaktadır. CPUlar akış denetimi ve dallanmada oldukça verimliyken GPUlar yüksek miktarda kayan nokta işlemi gerektiren uygulamalarda oldukça hızlıdır. Bu gerçeklere dayanarak kümedeki GPUlar ışın hesaplama görevine, CPUlar ise ışınları hareket ettirme görevine atanmıştır. Sonuç olarak CPU ve GPUları verimli bir şekilde kullanarak büyük sahneleri görsellemeyi başardık ve performansın yük dengesizliği sebebiyle bakış açısına oldukça bağlı olduğunu gözlemledik.