在社交网络中,发布者、阅读者和转发者形成信息传播的基础。大量用户都会参与到信息扩散当中,受到个体用户心理等因素的影响,使得传播过程难以捉摸。在前面的研究中,运用流体动力学计算模型(如LBM方法),已被证明是非常有效的可视化方式来展示社交媒体中动态信息扩散的过程。但在社交网络中,信息量大、节点较多导致计算规模过于庞大,通常会需要很长时间来计算。大量流动节点的存在使得实时化的输出结果变得不可能。致使不能直观方便的观察可视化结果,不能时时的观察图象的变化。图形处理器(GPU),又被称做显示核心处理器,它是一种设备在个人小型电脑、图形工作室、游戏娱乐机和一些移动手持设备上计算图形图像任务的小型处理器。在计算机发展的初期,显卡的发明是为了增强显示效果,他为每个像素点提供一个缓存,由CPU处理所有图形图像的计算。并行处理对图形渲染非常有效,而CPU的串行工作经常无法胜任这种工作。GPU从设计之初,得益于其特殊的架构,使其一般执行并行计算的任务。GPU不同于CPU,它使用了大量的执行单元,任务可以细化成小计算来分配到执行单元,并可以轻松的加载并行处理,然而CPU那样的单线程处理不能满足并行需要。运用GPU强大的并行能力可以为我们的科学计算的速度带来显著提高。NVIDIA发布了CUDA并行计算平台和编程模型。它通过使用NVIDIA的图形处理器(GPU)的处理能力,可大幅提升计算性能。CUDA工作在软件层来沟通编程语言与GPU核心的操作,开发人员不需要了解GPU内部核心的操作。只需将任务分配给每个线程。CUDA将把这些任务分配给每个GPU核心。然而现在并没有将现有程序转换成CUDA程序的通用方法及过程。如果可以使用GPU来加速程序的运行,那么此信息流可视化方法会得到更加有效直观的图像。经过努力,我们最终将这个可视化算法加速,并总结了一般串行程序转换成并行程序的基本方法,加速效果是十分显著的,此可视化程序将为后续的研究带来便利。