ちょちょいとやってぱっというわけには行かないけど、
OpenMPみたいに対象のループ前後にディレクティブ挿入するだけのやつでも
それなりの高速化は図れる。MPIと同等かそれより簡単なくらい。
CUDA fortranは敷居高いけどきちんとチューニングしたらかなり早い。
勉強中だけどMPIより難しいと思う。もちろん元の計算の並列性にもよる。