[論文レビュー] N-Body Simulations on GPUs

Erich Elsen, Vishal Vaidyanathan+4 more|ArXiv.org|Jun 20, 2007

Parallel Computing and Optimization Techniques参考文献 10被引用数 36

ひとこと要約

この論文は、GPUを用いてO(N²)力計算を高速化できることを示しており、分子および星団動力学に不可欠なN体シミュレーションを、最適化されたCPUコードよりも最大25倍速く実行でき、ATI X1900XTXでほぼ100 GFlopsを達成した。著者らは、GPUのストリーム処理を活用するため、Brook+を用いて高度に最適化されたデータ並列カーネルを実装し、高性能でコスト効率の良い科学計算を実現した。この成果は、Folding@Homeのような分散システムへの応用に影響を与える。

ABSTRACT

Commercial graphics processors (GPUs) have high compute capacity at very low cost, which makes them attractive for general purpose scientific computing. In this paper we show how graphics processors can be used for N-body simulations to obtain improvements in performance over current generation CPUs. We have developed a highly optimized algorithm for performing the O(N^2) force calculations that constitute the major part of stellar and molecular dynamics simulations. In some of the calculations, we achieve sustained performance of nearly 100 GFlops on an ATI X1900XTX. The performance on GPUs is comparable to specialized processors such as GRAPE-6A and MDGRAPE-3, but at a fraction of the cost. Furthermore, the wide availability of GPUs has significant implications for cluster computing and distributed computing efforts like Folding@Home.

研究の動機と目的

• コンsumer GPUが低コストで高い計算能力を提供することを活かし、O(N²)力計算の高速化を図ること。
• 力計算カーネルが主要な計算フェーズであることに注目し、GPU上でネイバー・リスト作成の性能ボトルネックを克服すること。
• GPUベースのN体シミュレーションが、GRAPE-6A や MDGRAPE-3 のような専用ハードウェアに匹敵またはそれを上回る性能を達成できることを示すこと。
• Folding@Home などの分散コンピューティングフレームワークにGPUアクセラレーションを統合することで、大規模かつ長時間スケールの分子動力学シミュレーションを可能にすること。

提案手法

• 著者らは、ストリームコンピューティングの高水準言語Brook+を用いて、GPU最適化されたデータストリーム上で力計算を表現するデータ並列カーネルを実装した。
• カーネルは、ニュートン的重力とLennard-Jonesポテンシャルを用いて粒子間の対力計算を行い、各スレッドが1つの粒子の力集積を担当する。
• メモリ帯域幅の利用を最大化し、遅延を最小限に抑えるために、ベクトル化された演算とメモリコalescingを採用した。
• 各粒子を512個のブロックにグループ化し、共有メモリを活用することで、グローバルメモリへのアクセスを削減した。
• ATIToolを用いて実際のメモリアクセスパターンをプロファイルし、性能ボトルネックを同定することで、メモリ帯域幅要件を分析した。
• 本手法は重力的および非共有力モデル（GAおよびLJCカーネル）に適用され、性能測定のための詳細なFLOP集計が行われた。

実験結果

リサーチクエスチョン

• RQ1 コンsumer GPUは、GRAPE-6A のような専用N体ハードウェアと同等の性能をO(N²)力計算で達成できるか？
• RQ2 GPUベースのN体シミュレーションの性能は、メモリ帯域幅およびカーネル設定にどのように依存するか？
• RQ3 GPUアクセラレーションは、分散コンピューティング環境における分子動力学シミュレーションの時間スケールをどの程度改善できるか？
• RQ4 SSE命令を高度に最適化したCPUコードに比べ、GPU上の力計算カーネルは性能で上回れるか？
• RQ5 N体シミュレーションにおけるGPU性能の制限要因となるメモリアクセスパターンと帯域幅制限は何か？

主な発見

• ATI X1900XTXでGPU実装はほぼ100 GFlopsの継続的性能を達成し、Intel Pentium 4の高度最適化SSEコードを大きく上回った。
• GPUベースの力カーネルはCPU実装の25倍以上も高速であり、O(N²)力計算における顕著な性能優位性を示した。
• LJCカーネルでは約11.3 GB/sec未満、GAJカーネルでは約5.2 GB/sec未満、GAカーネルでは約2.1 GB/sec未満のメモリ帯域幅で性能が低下し、メモリ帯域幅が主な制限要因であることが示された。
• GAカーネルでは、約10個の粒子が同時に同じj粒子にアクセスしていることが判明し、高いデータ再利用と効率的なメモリアクセスパターンを示している。
• 500 MHz以上のメモリ速度では、すべてのカーネルがピーク性能に近い動作を示し、低コストで遅いメモリを専用GPUボードに使用しても性能損ないが生じないことが示された。
• Folding@Home などの分散コンピューティングフレームワークにGPUアクセラレーションを統合することで、10マイクロ秒のタンパク質折りたたみシミュレーションを3か月未満で実現でき、1つのGPUが平均的な寄付CPUの60倍以上の性能を発揮した。