Производительность нескольких графических процессоров снижается при увеличении выделенной памяти

Я протестировал следующее на графическом процессоре GTX 690 с 4 ГБ ОЗУ в Windows 7 x64, Visual C++ 10:

Я написал функцию, которая получает 2 вектора и добавляет к 3-му вектору. Задача разбита на 2 устройства GPU. Я постепенно увеличивал размер вектора, чтобы оценить производительность графического процессора. Требуемое время линейно увеличивается относительно размера вектора до определенного момента, а затем скачком вверх. Когда я отключаю каждое из ядер графического процессора, требуемое время остается линейным до конца доступной памяти. Я приложил диаграмму, показывающую требуемое время по сравнению с выделенной памятью.

Вы можете увидеть диаграмму скорости здесь: Диаграмма сравнения скоростей!

Можете ли вы сказать мне, что не так?

Бестс, Рамин

Это мой код:

unsigned    BenchMark( unsigned VectorSize )
{
    unsigned *      D[ 2 ][ 3 ] ;

    for ( int i = 0 ; i < 2 ; i++ )
    {
        cudaSetDevice( i ) ;

        for ( int j = 0 ; j < 3 ; j++ )
            cudaMalloc( & D[ i ][ j ] , VectorSize * sizeof( unsigned ) ) ;
    }

    unsigned    uStartTime = clock() ;

    // TEST
    for ( int i = 0 ; i < 2 ; i++ )
    {
        cudaSetDevice( i ) ;

        AddKernel<<<VectorSize/256,256>>>(
            D[ i ][ 0 ] ,
            D[ i ][ 1 ] ,
            D[ i ][ 2 ] ,
                VectorSize ) ;
    }

    cudaDeviceSynchronize() ;
    cudaSetDevice( 0 ) ;
    cudaDeviceSynchronize() ;

    unsigned    uEndTime = clock() ;

    for ( int i = 0 ; i < 2 ; i++ )
    {
        cudaSetDevice( i ) ;

        for ( int j = 0 ; j < 3 ; j++ )
            cudaFree( D[ i ][ j ] ) ;
    }

    return uEndTime - uStartTime ;
}

__global__ void AddKernel(
                    const   Npp32u *    __restrict__    pSource1 ,
                    const   Npp32u *    __restrict__    pSource2 ,
                        Npp32u *    __restrict__    pDestination ,
                        unsigned            uLength )
{
    unsigned    x = blockIdx.x * blockDim.x + threadIdx.x ;

    if ( x < uLength )
        pDestination[ x ] = pSource1[ x ] + pSource2[ x ] ; 
}