有没有办法在CUDA内核中独立地并行for循环？

__global__ void parallelForLoop(int* array, int size) {
    int tid = blockIdx.x * blockDim.x + threadIdx.x;
    
    if (tid < size) {
        // 独立地并行执行for循环
        for (int i = 0; i < size; i++) {
            array[tid] += i;
        }
    }
}

int main() {
    // 初始化数据
    int size = 1000;
    int* array = new int[size];
    
    // 在GPU上分配内存
    int* deviceArray;
    cudaMalloc((void**)&deviceArray, size * sizeof(int));
    
    // 将数据从主机内存复制到GPU内存
    cudaMemcpy(deviceArray, array, size * sizeof(int), cudaMemcpyHostToDevice);
    
    // 启动CUDA内核函数
    int blockSize = 256;
    int numBlocks = (size + blockSize - 1) / blockSize;
    parallelForLoop<<<numBlocks, blockSize>>>(deviceArray, size);
    
    // 将计算结果从GPU内存复制回主机内存
    cudaMemcpy(array, deviceArray, size * sizeof(int), cudaMemcpyDeviceToHost);
    
    // 清理内存
    cudaFree(deviceArray);
    delete[] array;
    
    return 0;
}