[論文レビュー] Fast Simulations of Gravitational Many-body Problem on RV770 GPU

Kazuki Fujiwara, Naohito Nakasato|ArXiv.org|Apr 23, 2009

Electromagnetic Scattering and Analysis参考文献 8被引用数 5

ひとこと要約

本論文は、AMDのRV770 GPU上で重力N体問題の最適化されたGPU実装を提示しており、ループアンローリングと効率的なメモリアクセスを活用して、最大1 Tflop/sの性能を達成している。RV770の高スループットアーキテクチャと2段階のキャッシュを活用することで、著者らは二重ループアンローリングが最高のパフォーマンスを発揮することを実証し、当時におけるCPUおよび先行GPUアプローチを上回っている。

ABSTRACT

The gravitational many-body problem is a problem concerning the movement of bodies, which are interacting through gravity. However, solving the gravitational many-body problem with a CPU takes a lot of time due to O(N^2) computational complexity. In this paper, we show how to speed-up the gravitational many-body problem by using GPU. After extensive optimizations, the peak performance obtained so far is about 1 Tflops.

研究の動機と目的

• 大規模なNに対してCPUでは実行不可能なほど遅いO(N²)の計算複雑性を有する正確な重力N体問題を高速化すること。
• 現代のGPUが有する大規模並列処理能力を活用して、天体系の高性能シミュレーションを実現すること。
• RV770 GPUアーキテクチャにおける力計算カーネルへのループアンローリング技術の有効性を調査すること。
• 異なるアンローリング戦略のパフォーマンスを比較し、最大スループットを得るための最適な構成を同定すること。

提案手法

• RV770 GPU上で単精度浮動小数点演算を用いて直接N体力計算を実装すること。
• 標準的な重力力式にソフトニング長さεを適用し、加速度とポテンシャルを計算するカスタムカーネルを活用すること。
• ループのオーバーヘッドを低減し、命令レベル並列性を向上させるために、単純アンローリングおよび二重アンローリングを適用すること。
• 帯域幅の利用を最大化し、遅延を最小限に抑えるために、メモリアクセスパターンを最適化すること。
• グローバルメモリへのアクセス回数を削減するために、RV770の2段階キャッシュ階層とローカルデータストアを活用すること。
• AMDのCALプログラミングインターフェースとShaderAnalyzerを用いて、レジスタ使用量とALU命令をプロファイリングし、パフォーマンスチューニングを行うこと。

実験結果

リサーチクエスチョン

• RQ1 RV770アーキテクチャ上でGPUアクセラレートN体シミュレーションにおけるループアンローリングのパフォーマンスへの影響は何か？
• RQ2 単一のRV770 GPU上で正確な重力力計算の最大達成可能なパフォーマンスはどの程度か？
• RQ3 RV770のキャッシュアーキテクチャは、他のGPUと比較してメモリ集約的N体カーネルのパフォーマンスにどのように影響するか？
• RQ4 最適化されたメモリアクセスと命令スケジューリングは、N体シミュレーションにおけるカーネル実行時間を顕著に短縮できるか？
• RQ5 正確なN体問題における生産的パフォーマンスの観点から、GRAPEやNVIDIA GeForce 8800 GTXといった他のハードウェアアクセラレータと比較して、RV770 GPUはどのように差をつけるか？

主な発見

• 最適化された二重ループアンローリング実装により、750 MHzで動作するRV770 GPU上でピーク性能約1 Tflop/sを達成した。
• N = 226,304個の粒子に対して、最適化コードは約2秒で1ステップを完了し、約990 GFlopsの性能を発揮した。
• N = 100,000個の粒子に対して、二重アンローリングは単純アンローリングよりも最大1.45倍の実行時間短縮を達成した。
• 二重アンロールドカーネルは34レジスタと72個のALU命令を使用しており、高い命令レベル並列性とGPUの計算ユニットの効率的利用を示している。
• RV770の2段階キャッシュと高いメモリ帯域幅（115.2 GB/s）は、特にループアンローリングと組み合わせることで、高性能を達成する上で不可欠であった。
• 本実装は、NVIDIA GeForce 8800 GTX上の先行GPUベースN体コードを上回り、GRAPE-7という専用ハードウェアアクセラレータと同等またはそれ以上の性能を発揮した。