In radiotherapy planning, which involves optimization, efforts to produce better (more effective and at the same time with lesser adverse effects) patient radiation plans must trade-off with higher computing times needed to achieve this goal. Computing times is the key (but not only) factor in radiotherapy planning, which is always performed in clinical workflows regimes. ‘Win–win’ is when better plans can be produced within a non-increasing time budget. This work reports on the authors’ attempt to put radiotherapy planning in a ‘win–win’ situation. We looked into unexploited till now reserves, which lie in the performance of optimization methods and algorithms, namely the reserves in performing linear algebra computations when such methods are applied to radiotherapy. A specific feature of such applications is the necessity of numerous sparse matrix $$\times$$ × vector computations, with matrices and vectors of large sizes. Our first step was to propose ways to include sparse matrix procedures from existing libraries into an optimization algorithm for testing experiments. Our second step in our quest for reserves was to resort to High Performance Computing. We chose graphical processing units because of their versatility, low cost, accessibility, and the existence of linear algebra libraries dedicated to these platforms. We report on the reserves identified in this way, i.e., on speedups of optimization computations achievable by such an optimization algorithm hybridization. We tested our hybrid algorithm numerically on a clinical case.

中文翻译：

---

在 GPU 上使用 GENOCOP III 进行并行辐射剂量计算

在涉及优化的放射治疗计划中，努力制定更好（更有效，同时副作用更小）的患者放射计划必须与实现此目标所需的更长计算时间进行权衡。计算时间是放射治疗计划的关键（但不仅是）因素，放射治疗计划总是在临床工作流程制度中执行。“双赢”是指可以在不增加的时间预算内制定更好的计划。这项工作报告了作者试图将放射治疗计划置于“双赢”局面。我们研究了迄今为止未开发的储备，其在于优化方法和算法的性能，即当这些方法应用于放射治疗时执行线性代数计算的储备。此类应用程序的一个特定特征是需要大量稀疏矩阵 $$\times$$ × 向量计算，以及大尺寸的矩阵和向量。我们的第一步是提出将现有库中的稀疏矩阵程序包含到用于测试实验的优化算法中的方法。我们寻求储备的第二步是求助于高性能计算。我们选择图形处理单元是因为它们的多功能性、低成本、可访问性以及专用于这些平台的线性代数库的存在。我们报告以这种方式确定的储备，即通过这种优化算法混​​合可实现的优化计算的加速。我们在一个临床病例上对我们的混合算法进行了数值测试。具有大尺寸的矩阵和向量。我们的第一步是提出将现有库中的稀疏矩阵程序包含到用于测试实验的优化算法中的方法。我们寻求储备的第二步是求助于高性能计算。我们选择图形处理单元是因为它们的多功能性、低成本、可访问性以及专用于这些平台的线性代数库的存在。我们报告以这种方式确定的储备，即通过这种优化算法混​​合可实现的优化计算的加速。我们在一个临床病例上对我们的混合算法进行了数值测试。具有大尺寸的矩阵和向量。我们的第一步是提出将现有库中的稀疏矩阵程序包含到用于测试实验的优化算法中的方法。我们寻求储备的第二步是求助于高性能计算。我们选择图形处理单元是因为它们的多功能性、低成本、可访问性以及专用于这些平台的线性代数库的存在。我们报告以这种方式确定的储备，即通过这种优化算法混​​合可实现的优化计算的加速。我们在一个临床病例上对我们的混合算法进行了数值测试。我们寻求储备的第二步是求助于高性能计算。我们选择图形处理单元是因为它们的多功能性、低成本、可访问性以及专用于这些平台的线性代数库的存在。我们报告以这种方式确定的储备，即通过这种优化算法混​​合可实现的优化计算的加速。我们在一个临床病例上对我们的混合算法进行了数值测试。我们寻求储备的第二步是求助于高性能计算。我们选择图形处理单元是因为它们的多功能性、低成本、可访问性以及专用于这些平台的线性代数库的存在。我们报告以这种方式确定的储备，即通过这种优化算法混​​合可实现的优化计算的加速。我们在一个临床病例上对我们的混合算法进行了数值测试。