[pt] A geração de cenas realísticas de fenômenos naturais em tempo real é uma das mais importantes áreas de pesquisa para aplicações em jogos e simuladores. No início da computação gráfica para tempo real, a maioria das aplicações tratava a superfície da água como um plano com uma textura. Essa abordagem produz uma visualizaçãomuito pouco realística da superfície da água, além de não reproduzir o comportamento hidrodinâmico correto da água. Nesse contexto, muitos grupos de pesquisa desenvolveram técnicas para a visualização realística da superfície da água, contudo, a maioria desses trabalhos foca no processo off-line e poucos tratam da questão em tempo real. No entanto, os recentes avanços no desempenho do hardware permitiram a utilização de técnicas tradicionalmente usadas emoff-line para o escopo de tempo real, porém não há uma pesquisa-guia que descreva tais técnicas e faça uma análise comparativa das mesmas. Sendo assim, sem tal pesquisa-guia é muito difícil escolher a melhor técnica para um hardware específico ou se determinada técnica provê o controle de simulação necessário para uma aplicação específica.Nesse contexto, a presente pesquisa analisa as técnicas mais importantes para visualização e simulação de oceano em tempo real, utilizando a unidade de processamento gráfico como o processador principal. Além disso, ela realiza uma análise comparativa de desempenho de cada técnica e estuda os prós e contras delas. Ainda, alguns métodos off-line clássicos são adaptados para uso na GPU. / [en] The synthesis of realistic natural scenes in real time is one of the most important research areas for applications in games and simulators. In the beginning of real-time computer graphics, most of the applications treated water surface as a textured plane. This approach produces a very low realistic rendering of the water surface and does not reproduce the correct hydrodynamics behaviour of the water. So, a lot of research groups developed techniques for realistic water rendering, most of them for off-line processes and a few for real-time use. However, current improvementson hardware performance allow the usage oftraditional off-line techniques for real-time proposes, but there is no research work that describesthese techniques and makes a comparative analysis of them. Then, without this comparative analysis, it is very difficult to choose the best technique for a specific hardware or to decide if a particular technique provides the simulation control that a certain application needs.In this context, the present research work analyses the most important techniques for real-time ocean water simulation and visualization using the graphics processor unit as a main processor. Moreover, it makes a performance comparative analysis of each technique and analyses the pros and cons of them. Furthermore, some classic off-line methods are adapted for GPU use.

[pt] As Unidades de Processamento Gráfico (GPUs), ou Placas Gráficas, são processadores que foram originalmente projetados para executar tarefas dedicadas às operações da computação gráfica. Porém, a NVIDIA desenvolveu uma extensão da linguagem C para programação de GPUs, chamada CUDA (Compute Unified Device Architecture). Isto permitiu utilizá-las, na Computação de Alto Desempenho, para processar dados genéricos. Já os sistemas físicos estudados pela Mecânica Quântica apresentam dimensões próximas da escala atômica, tais como moléculas, átomos, prótons e elétrons. A Teoria do Funcional da Densidade (DFT) é um dos métodos iterativos mais usados para encontrar uma solução aproximada para a equação de Schrödinger. Contudo, os cálculos realizados em DFT são computacionalmente intensos devido às integrais de troca e correlação eletrônica, integrais para o cálculo da energia de Hartree e energia cinética dos elétrons, as quais requerem maior esforço computacional à medida que o número de elétrons presentes na simulação aumenta. Esta pesquisa teve como objetivo estudar os cálculos do DFT e identificar partes do algoritmo que, se alteradas, apresentassem benefícios de desempenho ao serem executadas em GPU. Assim, funções computacionalmente intensas do método DFT do SIESTA (Spanish Initiative for Electronic Simulations with Thousands of Atoms) foram paralelizadas e usadas para calcular propriedades físicas de nanotubos e fulerenos. Verificou-se que a execução da versão paralela do SIESTA para GPU é capaz de atingir ganhos em desempenho, em funções individuais, de uma ou até duas ordens de grandeza, tornando promissor o emprego de GPUs em acelerar o processamento da Teoria do Funcional da Densidade. / [en] The graphics processing units (GPUs), or graphics cards, are processors that were originally designed to perform dedicated tasks to the computer graphics operations. However, NVIDIA has developed an extension of the C language for programming GPUs, called CUDA (Compute Unified Device Architecture). This allowed the use of GPUs, in High Performance Computing, for processing generic data. The physical systems studied by quantum mechanics have dimensions close to atomic scale, such as molecules, atoms, protons and electrons. The Density Functional Theory (DFT) is one of the most used interactive methods to find an approximated solution to the Schrödinger equation. However, the calculations in DFT are computationally intensive because of the exchange and correlation electronic integrals, integrals to calculate the Hartree energy and electrons kinetic energy, which requires greater computational effort as the number of electrons present in the simulation increases. This research aimed to study the DFT calculations and identify parts of the algorithm that, if changed, experience performance benefits from execution in GPU. Thus, computationally intensive DFT functions of the SIESTA method (Spanish Initiative for Electronic Simulations with Thousands of Atoms) were parallelized and used to calculate the physical properties of nanotubes and fullerenes. It was found that the implementation of SIESTA parallel version on the GPU is able to achieve gains in performance, in individual functions, of one or even two orders of magnitude, making it promising employment of GPUs to speed up the processing of Density Functional Theory.