Cela consiste à utiliser le processeur graphique (GPU) pour exécuter des tâches de calcul polyvalentes de science et d’ingénierie. Le calcul par le GPU permet d’utiliser à la fois le CPU et le GPU dans un modèle hétérogène. Les parties séquentielles des applications sont traitées par le CPU, alors que le GPU se charge des tâches de calcul les plus intensives. Pour les utilisateurs, les applications tournent ainsi plus vite car les capacités avancées du GPU permettent de booster les performances du système.

Ces dernières années, les GPU ont grandement évolué et ils intègrent maintenant plusieurs téraflops de performances de calcul en virgule flottante. En 2006-2007, NVIDIA a révolutionné les procédures de GPGPU et de calcul accéléré grâce à CUDA, sa nouvelle architecture massivement parallèle. L’architecture CUDA est composée de plusieurs centaines de cœurs de traitement travaillant simultanément afin de traiter un grand nombre de données.

Le succès du GPGPU est en grande partie dû à la flexibilité du modèle de programmation parallèle CUDA. Avec ce modèle, les développeurs d’applications peuvent maintenant modifier leurs programmes afin d’affecter au GPU le traitement des kernels de calcul les plus lourds, le reste de l’application restant affecté au CPU. Le mappage d’une fonction vers le GPU implique la réécriture de son code dans le langage "C pour CUDA" afin d’exploiter son parallélisme et de pouvoir traiter les données échangées avec le GPU. Les développeurs peuvent ainsi lancer plusieurs milliers de threads simultanément. La configuration matérielle du GPU permet de gérer les threads et d’en assurer la programmation.

Les GPU Tesla série 20 sont basés sur la nouvelle architecture Fermi, qui représente la troisième génération d'architectures CUDA. Fermi intègre des fonctions optimisées pour les applications scientifiques, dont : le support matériel IEEE de double précision en virgule flottante (plus de 500 gigaflops de puissance de calcul), les caches L1 et L2, la protection d’erreur de mémoire ECC, la gestion personnalisée des caches de données locales avec la mémoire partagée du GPU, les accès mémoires "coalesced", et bien plus encore.