We concluderen dat GPU's wijdverspreid zijn als accelerator voor rekenintensieve computertoepassingen. In dit doctoraatswerk onderzoeken we de uitdagingen en opportuniteiten van nieuwe GPU-architecturen en zijn toepassingen. We maken meer bepaald gebruik van lokaliteit tussen CTA's om de druk op het interconnectienetwerk te verlichten in geclusterde GPU-architecturen. We stellen hiertoe drie complementaire innovaties voor: Intra-Cluster Coalescing, Coalesced Cache en Distributed-Block Scheduling. Deze innovaties elimineren redundante geheugentoegangen wat leidt tot een aanzienlijke verbetering in prestatie en energie-efficiëntie. Daarnaast tonen we ook aan dat geheugendivergente toepassingen zich grondig verschillend gedragen van meer courante niet-geheugendivergente toepassingen. We stellen het Memory Divergence Model voor om de prestatie van dergelijke toepassingen nauwkeurig analytisch te modelleren.