[논문 리뷰] An exploration of CUDA and CBEA for a gravitational wave source-modelling application

Gaurav Khanna, Justin McKennon|ArXiv.org|2009. 09. 22.

Pulsars and Gravitational Waves Research참고 문헌 6인용 수 5

한 줄 요약

이 논문은 극단적으로 질량 비율이 큰 병합(EMRI)에서 발생하는 중력파 웨이브폼을 수치적으로 계산하는 Teukolsky 코드를 CUDA GPU와 Cell Broadband Engine Architecture(CBEA)를 사용하여 가속화한다. 유한차분 시간영역 계산에서 데이터 수준의 병렬성에 착안하여, 저자들은 Tesla GPU를 사용해 이중 정밀도 부동소수점 연산에서 50배 이상의 성능 향상을 달성하였으며, 이는 수치相对론에서 고정밀도 중력파 소스 모델링을 위한 하드웨어 가속기의 실현 가능성을 입증한다.

ABSTRACT

In this paper, we accelerate a gravitational physics numerical modelling application using hardware accelerators -- Cell processor and Tesla CUDA GPU. We describe these new technologies and our approach in detail, and then present our final performance results. We obtain well over an order-of-magnitude performance gain in our application by making use of these many-core architectures.

연구 동기 및 목표

• 하드웨어 가속기를 사용하여 수치적으로 집약적인 중력파 소스 모델링 응용 프로그램을 가속화하기.
• 비균일한 Teukolsky 방정식에 대한 유한차분 해법에서 CUDA GPU와 Cell Broadband Engine Architecture(CBEA)의 성능 평가하기.
• EMRI Teukolsky 코드의 데이터 병렬성에 맞는 저수준 병렬화 전략 탐색하기.
• 수치상대론에서 과학 계산을 위한 CPU, CBEA, GPU 가속기의 상대적 성능 및 비용 효율성 비교하기.
• 향후 우주 기반 중력파 임무인 LISA와 같은 과학 임무에서 사용 가능한 성능 최적화 구현 제공하기.

제안 방법

• EMRI Teukolsky 코드는 킬러 시공간에서 비균일한 Teukolsky 방정식을 유한차분 시간영역 방법을 사용해 해석한다.
• 저자들은 CUDA GPU와 CBEA 모두에 데이터 병렬 커널을 구현하여 계산 격자를 스레드 블록과 벡터 유닛에 매핑한다.
• 메모리 액세스 패턴을 최적화하고, 공유 메모리와 레지스터 사용을 통해 GPU 아키텍처에서 지연을 줄이고 할당량을 증가시킨다.
• 단일 정밀도와 이중 정밀도 부동소수점 산술을 대상으로 하며, 물리적 정확도를 위해 이중 정밀도에 중점을 둔다.
• PowerXCell 8i(CBEA)와 NVIDIA Tesla GPU로 코드를 이식하였으며, 각각의 프로그래밍 모델(CBEA의 SPE와 PPE, CUDA의 스레드 계층)을 활용한다.
• 성능는 단일 코어 AMD Phenom 2.5 GHz CPU 기준으로 측정되었으며, 다양한 정밀도 형식에서 결과가 보고되었다.

실험 결과

연구 질문

• RQ1 CUDA GPU와 CBEA와 같은 하드웨어 가속기가 EMRI Teukolsky 코드의 중력파 소스 모델링에 상당한 성능 향상을 이끌 수 있는가?
• RQ2 이 응용 분야에서 이중 정밀도 부동소수점 연산에 대해 CUDA GPU와 CBEA가 표준 CPU보다 성능가능성이 어떻게 다른가?
• RQ3 이러한 가속기에서 고성능을 달성하기 위해 필요한 주요 구현 과제와 최적화 전략은 무엇인가?
• RQ4 이러한 가속기의 구입 비용가 성능 향상의 비율은 과학 시뮬레이션에서 어떻게 비교되는가?
• RQ5 Teukolsky 방정식의 데이터 병렬성은 다수의 병렬 아키텍처에서 얼마나 잘 활용될 수 있는가?

주요 결과

• CUDA GPU 구현은 이중 정밀도 부동소수점 산술에서 단일 코어 AMD Phenom 2.5 GHz CPU보다 50배 이상의 성능 향상을 달성하였다.
• CBEA 구현은 뛰어난 성능를 보였으며, CPU보다 10배 이상 빠르게 작동했지만 GPU의 최고 성능에는 미치지 못했다.
• CUDA GPU는 단일 정밀도 연산에서도 뚜렷한 성능 향상을 보였으며, 이는 10배 이상의 성능 향상이 초래되었다.
• AMD Phenom CPU의 네 개의 코어를 모두 활용한 경우에도, CBEA나 GPU 가속기의 성능에 비해 여전히 크게 뒤져 있었다.
• Tesla GPU는 전체적으로 가장 높은 성능를 보였으며, 향후 GPU 세대가 이중 정밀도 처리 능력을 향상시킬 경우 더 큰 속도 향상이 가능할 전망이다.
• 이 연구는 하드웨어 가속기가 데이터 병렬 과학 작업에 매우 효과적이며, 특히 알고리즘이 기반 아키텍처에 잘 매핑될 경우에 특히 그렇다는 점을 확인했다.