cpu core數的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

以圖形處理器平行運算技術為基礎之腦結構網路分析架構

為了解決cpu core數的問題，作者賴弘哲 這樣論述：

大腦連結與架構在近年來為神經科學領域中學者專家們相當關注之議題。擴散磁振造影能夠以非侵入之方式探測大腦組織結構白質中水分子之擴散情形，進而以Q球影像應用球諧函數(Spherical Harmonic Function)重建出取向分布函數(Orientation Distribution Function,ODF)來進行神經纖維追蹤，呈現其大腦白質神經纖維連路徑，更進而建構出大腦神經網路。近代利用圖形理論來分析大腦白質網路之研究也證明了人類大腦網絡也存在著所謂小世界拓樸結構(高群聚、短連結)之特性，而透過這些特性可以觀察疾病與大腦連結架構之影響以探討臨床研究。其中，最短路徑之分析在大腦網路中之

應用已非常頻繁。然而，這些程序皆其繁瑣且複雜，且依據樣本數及參數分區越來越多之情況底下，耗時之情形隨之產生，將嚴重延遲資料分析及運算時間。本論文運用圖形運算單元(Graphic Processing Unit, GPU)來進行平行運算以提高運算效能，透過統一運算架構(Compute Unified Device Architecture, CUDA)實現低成本高效能之程序開發工作。以GPU為主，CPU為輔之程序，加速球諧函數以重建取向分布函數以及圖形理論之大腦網路最短路徑分析等等步驟，將有效降低耗時之現象。透過CUDA架構之開發能有效地整合資訊工程與神經科學領域，並期望未來能有效應用於臨床及研

究分析上；透過大量執行緒之平行化運算，在利用球諧函數重建大腦體素方面，本研究達到了100至500倍之加速效果；最短路徑分析則是近乎即時之分析結果。因此，本研究奠定了將GPU應用於擴散張量影像分析上面的一個基礎，未來如能透過不同功能之整合流程，將有效提升研究效率及臨床之使用。運用GPU平行運算來解決大量資料處理耗時問題已越來越常見，然而，如何串聯應用為往後發展之一大重點。未來若能透過雲端處理， 使用者將可以不須安裝CUDA環境，只須根據其設備裝置所配備之顯示卡，就可執行GPU所支援之高速運算；再者，配合CUDA架構持續不斷更新，對於記憶體搬移又做了更新之調控(CUDA SDK 6.0)，將可免去

搬移記憶體上之管理。期望GPU應用在神經科學領域上更能夠為大腦連結及架構運算有相當大的助益，進而探討大腦之發育、老化、以及疾病之關聯性。