许多做计算密集型工作的研究人员能使用更多的处理能力。他们中许多人的计算机中实际已经拥有这种能力，但是并没有找到利用它们的方式。这计算能力就在计算机图形系统的多个处理器核中，但是这种资源并不容易利用。

像NVIDIA的CUDA并行编程模型使得程序员可以利用GPU核心，最新Tesla的已高达240核。但是为了最大利用它们，你必须是一个 熟练的C/C++程序员。问题是许多可以从高性能计算中获益的人并不是专业的开发人员。由于需要，他们编写自己的代码，但是它们的主要工作是化学、地质学、天文学、物理学和生物学。

Tech-X公司是科罗拉多州的高性能科学计算和软件的专业顾问，它们正改变这一点。他们的GPUlib一个将基于GPU的计算引入高层次的工具，使用它的工具包括ITT Visual Information Solutions’ IDL, Mathworks’ MATLAB和古老的Fortran。

“并行计算一向是精英领域，” Tech-X公司的空间应用副总裁Peter Messsmer说，“很少有应用在设计时利用并行。GPU处理使并行变得更为主流。”传统的在实验室获得高计算性能的方式是建立一个相对便宜的PC集群，但是非计算机专业的研究人员缺乏这种能力。“GPU使这更为主流”。

GPU核心擅长向量处理，此时大量的数据同时被处理，这正是图形渲染所需要的。这使得Tech-X选择与IDL和MATLAB合作更为自然，因为这些工具已经为处理向量数据做了优化。典型的用处包括天文和远程监控和医学图像处理。

Messmer说主要的挑战是让研究人员尝试GPU计算。“人员听到GPU计算，但他们在怀疑，”他说，“他们知道几年前大门就打开，但是编程太难”。GPUlib帮助他们，因为它已经映射了人们已经考虑的问题。“

GPUlib对研究免费，商业应用要495美元。可用于windows，linux和mac平台。