[論文レビュー] The Chamomile Scheme: An Optimized Algorithm for N-body simulations on Programmable Graphics Processing Units

Tsuyoshi Hamada, Toshiaki Iitaka|arXiv (Cornell University)|Mar 5, 2007

Magnetic confinement fusion research参考文献 3被引用数 47

ひとこと要約

Chamomile Schemeは、NVIDIA GeForce 8800 GTX GPU向けに最適化されたN体シミュレーションアルゴリズムであり、共有メモリと単精度浮動小数点演算を活用して、2048粒子で173 Gflop/s、131072粒子で256 Gflop/sの性能を達成した。CUNBODY-1ライブラリを導入し、重力、SPH、ポテンシャル計算を含む任意のN体相互作用を一般化したカーネルとして実装。カスタムGPUカーネルパイプラインにより高い性能を実現した。

ABSTRACT

We present an algorithm named "Chamomile Scheme". The scheme is fully optimized for calculating gravitational interactions on the latest programmable Graphics Processing Unit (GPU), NVIDIA GeForce8800GTX, which has (a) small but fast shared memories (16 K Bytes * 16) with no broadcasting mechanism and (b) floating point arithmetic hardware of 500 Gflop/s but only for single precision. Based on this scheme, we have developed a library for gravitational N-body simulations, "CUNBODY-1", whose measured performance reaches to 173 Gflop/s for 2048 particles and 256 Gflop/s for 131072 particles.

研究の動機と目的

• プログラマブルなGPUを用いて、O(N²)の計算ボトルネックを克服すること。
• 制限された共有メモリと単精度浮動小数点ユニットを備えたNVIDIA GeForce 8800 GTX GPU上で、性能を最大化するアルゴリズムを設計すること。
• 重力以外の多様な相互作用タイプ（SPH、境界要素法など）をサポートする汎用N体ライブラリ（CUNBODY-1）を開発すること。
• 粒子の次元と相互作用パイプラインを抽象化する統一されたカーネルインターフェースを通じて、パフォーマンスが高く、ポータブルなN体シミュレーションを実現すること。

提案手法

• Chamomile Schemeは、GeForce 8800 GTXの16 KB × 16の共有メモリバンクを、メモリアクセスのコalescingと最小限のバンク競合を実現する形で活用する。
• スループットを最大化するために単精度浮動小数点演算（ピーク500 Gflop/s）を用い、二重精度のオーバーヘッドを回避する。
• スレッドブロックを設計して、タイリングとコalescedメモリアクセスパターンを用いて、ペairwiseの重力的力の計算を最小限のグローバルメモリ遅延で実行する。
• ドメイン固有の記述言語を介してカスタムCUDAカーネルパイプラインを定義し、各相互作用タイプの入出力データレイアウトと算術演算を指定する。
• CUNBODY-1カーネルは相互作用ロジックを抽象化し、ユーザーが低レベルのCUDAコーディングなしに粒子の次元とパイプライン操作を指定できる。
• 力の計算は、標準的なニュートンの重力法則に従い、a_i = Σ m_j r_ij / (r_ij² + ε²)^1.5 で表され、分岐の最小限のGPU実行に最適化されている。

実験結果

リサーチクエスチョン

• RQ1 制限された共有メモリと単精度算術演算を備えたGPU上で、高度に最適化されたN体アルゴリズムがピーク性能に近い性能を達成できるか？
• RQ2 プログラマブルなGPUアーキテクチャを用いて、O(N²)の重力的N体シミュレーションの複雑さを効果的に高速化できるか？
• RQ3 1つのGPUカーネルが、重力、SPH、ポテンシャル計算を含む複数のN体相互作用タイプを一般化してサポートできるか？
• RQ4 GeForce 8800 GTXのような現代のGPUハードウェアをターゲットにしたGPUベースのN体シミュレーションライブラリで達成可能なパフォーマンスはどの程度か？
• RQ5 GPUアクセcelerated N体シミュレーションにおいて、メモリアクセスパターンを最適化して遅延を最小限に抑え、スループットを最大化できるか？

主な発見

• Chamomile Schemeは、NVIDIA GeForce 8800 GTX GPU上で2048粒子で173 Gflop/s、131072粒子で256 Gflop/sの性能を達成した。
• CUNBODY-1ライブラリは、重力的力、SPH相互作用、ポテンシャル計算を含む多様な相互作用タイプにおいて高いパフォーマンスを示した。
• 16 KB × 16の共有メモリを、ブロードキャストを一切行わず、スレッドとデータの組織の工夫によりバンク競合を最小限に抑えて効果的に活用した。
• 粒子数の増加に伴いパフォーマンスが良好にスケーリングされ、大規模なシステムでは250 Gflop/sを超える性能を達成し、GPUの理論ピークに近づいた。
• 一般化されたCUNBODY-1カーネルにより、ユーザー定義のパイプライン記述とデータレイアウトを通じて、高水準でのN体相互作用プログラミングが可能になった。
• 1つの拡張可能なカーネルインターフェースを通じて、重力、SPH、ジャーブ、ポテンシャルを含む複数の相互作用タイプがサポートされた。