En informatique, les problèmes computationnels peuvent se classer d'après leur niveau de "parallélisme ". Votre problème peut-il se découper en beaucoup de petits sous-problèmes qui peuvent être traités en parallèle par des processeurs différents ? Si oui, vous pouvez accélérer considérablement votre calcul en utilisant de nombreux ordinateurs.

Une autre catégorie est la granularité du problème. Chaque sous-problème est-il très tributaire des résultats du traitement d'autres sous-problèmes ? Si c'est le cas, avez affaire des calculs parallèles à grain fin - comme en météorologie, par exemple, où le calcul du temps futur peut se découper en beaucoup de calculs plus petits, concernant de petites cellules de l'atmosphère. Chacun de ces calculs est fortement affecté par ce qui se passe dans les cellules voisines. En fait, des changements de temps, même très éloignés, peuvent avoir une incidence - ce qui est à l'origine du fameux dicton selon lequel le battement des ailes d'un papillon en Chine peut provoquer un ouragan en Amérique. En pratique, les calculs parallèles à grain fin nécessitent des programmes très intelligents permettant d'exploiter au maximum leur parallélisme, de telle sorte que l'information appropriée soit à la disposition des processeurs au moment opportun.

À l'extrémité opposée de l'échelle granulométrique se trouvent les calculs à gros grain ou à "parallélisme embarrassant ", pour lesquels chaque sous-problème est indépendant de tous les autres problèmes. C'est le cas, par exemple, des simulations dites de Monte Carlo. Ces méthodes consistent à faire varier les paramètres d'un modèle complexe d'un système réel et à étudier les résultats en utilisant des techniques statistiques - une sorte d'expérience informatique. Chaque calcul peut alors être fait indépendamment des autres. Un autre exemple de parallélisme embarrassant, est l'analyse d'une grande banque de données d'images médicales, où chaque image est indépendante des autres.

Comme règle empirique, pour les calculs à grain fin, il est plus approprié d'utiliser de gros supercalculateurs monolithiques ou au moins des grappes d'ordinateurs à couplage serré, formées d'un grand nombre de processeurs identiques interconnectés par un réseau extrêmement rapide et fiable, garantissant l'absence de goulets d'étranglement dans les communications. Ce type de traitement est souvent appelé traitement à hautes performances.

En revanche, les calculs à parallélisme embarassant sont idéaux pour les réseaux d'ordinateurs à configuration dispersée, puisque que les délais d'obtention des résultats d'un processeur n'affectent pas le travail des autres. Ces types de calculs relèvent de ce qu'on appelle souvent le traitement de grande capacité.

À première vue, cette distinction semble suggérer que la grille convienne seulement aux calculs à parallélisme embarrassant. Mais, en fait, beaucoup de problèmes scientifiques intéressants nécessitent une combinaison de techniques à grain fin et à gros grain - c'est là que la grille peut être particulièrement puissante.

Par exemple, les climatologues veulent savoir comment leurs calculs dépendent des différents paramètres de modèles complexes du climat de la Terre, qu'ils ont élaborés. Pour cela, ils lancent un grand nombre de calculs identiques, dont chacun est un calcul parallèle à grain fin, parce que la prévision du climat est similaire à la prévision météorologique, mais à plus longue échéance. Il faut donc exécuter chaque calcul sur une même grappe ou sur un même supercalculateur.

Toutefois, ces nombreux calculs indépendants pourraient être répartis sur un grand nombre de grappes différentes de la grille, ce qui permettrait d'ajouter du parallélisme à gros grain et donc de gagner beaucoup de temps. Même si la grille ne sert qu'à assurer l'accès du climatologue à une seule grappe - pouvant se trouver n'importe où dans le monde - elle lui fait déjà gagner beaucoup de temps, en comparaison de celui qu'il passerait dans la file d'attente d'accès à une grappe locale.