[논문 리뷰] Developing and Deploying Advanced Algorithms to Novel Supercomputing Hardware

Róbert Brunner, Volodymyr Kindratenko외 1명|ArXiv.org|2007. 11. 21.

Galaxies: Formation, Evolution, Phenomena참고 문헌 9인용 수 12

한 줄 요약

이 논문은 재구성 가능한 컴퓨팅 하드웨어—특히 FPGA와 GPU—가 전통적인 CPU 기반 시스템에 비해 천체역학적 두점 상관 함수 계산에서 최대 두 개의 지수 단위(약 100배)의 성능 향상을 달성할 수 있음을 보여준다. SRC-6 MAP-C와 같은 FPGA 플랫폼과 GPU 기반 구현을 통해 저자들은 상당한 성능 향상을 달성하였으며, 과학 계산 분야에서 이러한 고급 하드웨어 기술을 비전문가가 활용할 수 있도록 실용적인 가이드를 제공한다.

ABSTRACT

The objective of our research is to demonstrate the practical usage and orders of magnitude speedup of real-world applications by using alternative technologies to support high performance computing. Currently, the main barrier to the widespread adoption of this technology is the lack of development tools and case studies that typically impede non-specialists that might otherwise develop applications that could leverage these technologies. By partnering with the Innovative Systems Laboratory at the National Center for Supercomputing, we have obtained access to several novel technologies, including several Field-Programmable Gate Array (FPGA) systems, NVidia Graphics Processing Units (GPUs), and the STI Cell BE platform. Our goal is to not only demonstrate the capabilities of these systems, but to also serve as guides for others to follow in our path. To date, we have explored the efficacy of the SRC-6 MAP-C and MAP-E and SGI RASC Athena and RC100 reconfigurable computing platforms in supporting a two-point correlation function which is used in a number of different scientific domains. In a brute force test, the FPGA based single-processor system has achieved an almost two orders of magnitude speedup over a single-processor CPU system. We are now developing implementations of this algorithm on other platforms, including one using a GPU. Given the considerable efforts of the cosmology community in optimizing these classes of algorithms, we are currently working to implement an optimized version of the basic family of correlation functions by using tree-based data structures. Finally, we are also exploring other algorithms, such as instance-based classifiers, power spectrum estimators, and higher-order correlation functions that are also commonly used in a wide range of scientific disciplines.

연구 동기 및 목표

• 신규 고성능 컴퓨팅(HPC) 기술을 비전문가가 채택하는 데 걸림돌이 되는 제한된 개발 도구와 사례 연구 부족 문제를 해결하기 위해.
• FPGA, GPU 및 STI Cell BE와 같은 대체 하드웨어 플랫폼을 활용해 실제 과학 응용 분야에서의 실질적인 성능 향상을 입증하기 위해.
• 신규 HPC 아키텍처에 대한 구현 과정과 성능 결과를 문서화하여 연구자 및 개발자들이 참고할 수 있도록 가이드를 제공하기 위해.
• 특히 상관 함수와 같은 기본 과학 알고리즘들을 재구성 가능한 하드웨어 및 데이터 병렬 처리 플랫폼에 최적화하고 이식하기 위해.
• 이를 바탕으로 천체물리학 및 관련 분야에서 널리 사용되는 다른 알고리즘들—예: 인스턴스 기반 분류기 및 파wer 스펙트럼 추정기—로의 확장 가능성을 탐색하기 위해.

제안 방법

• SRC-6 MAP-C와 MAP-E FPGA, SGI RASC 아테나 및 RC100 재구성 가능한 시스템, NVidia GPU를 포함한 새로운 하드웨어 플랫폼에 대한 액세스를 활용하였다.
• 단일 FPGA 프로세서에서 브루트 포스 계산을 사용해 두점 상관 함수를 구현하고, 단일 CPU 프로세서와의 성능을 비교하였다.
• 확장성과 효율성을 향상시키기 위해 상관 함수 알고리즘 최적화를 위한 트리 기반 데이터 구조의 활용을 탐색하였다.
• 이러한 계산에 내재된 데이터 수준 병렬성을 활용하기 위해 GPU 기반 상관 함수의 구현을 개발하였다.
• 천체물리학 분야에서 일반적으로 사용되는 알고리즘 최적화 기법을 적용해 대체 하드웨어 플랫폼에서의 성능 향상을 높였다.
• 범용성 평가를 위해 파워 스펙트럼 추정기 및 고차 상관 함수와 같은 추가 알고리즘을 평가하고 이식하였다.

실험 결과

연구 질문

• RQ1 FPGA 기반 시스템은 두점 상관 함수와 같은 계산적으로 집약적인 과학 워크로드에서 상당한 속도 향상을 달성할 수 있는가?
• RQ2 FPGA의 성능 특성은 천체물리학 데이터 분석 알고리즘 가속화에 있어 전통적인 CPU와 GPU와 비교하여 어떻게 다를까?
• RQ3 신규 HPC 플랫폼에 고급 알고리즘을 구현할 때 비전문가들이 마주하는 실질적인 과제와 개발 장벽은 무엇인가?
• RQ4 트리 기반 데이터 구조와 같은 알고리즘 최적화 기법이 재구성 가능한 하드웨어 및 GPU 기반 시스템에서 성능 향상에 얼마나 기여할 수 있는가?
• RQ5 상관 함수에서 관찰된 성능 향상은 천체물리학 및 관련 분야에서 널리 사용되는 다른 공통 과학 알고리즘으로 일반화될 수 있는가?

주요 결과

• 단일 프로세서 기반 FPGA 시스템은 브루트 포스 두점 상관 함수 계산에서 단일 프로세서 CPU 시스템 대비 거의 두 개의 지수 단위(약 100배)의 성능 향상을 달성하였다.
• SRC-6 MAP-C 및 MAP-E FPGA 플랫폼은 데이터 병렬 과학 워크로드에 대해 뛰어난 성능을 보이며, 천체물리학 분야의 고성능 컴퓨팅에 적합함을 입증하였다.
• GPU 기반 구현은 상관 함수 계산에서 데이터 수준 병렬성을 더욱 효과적으로 활용하기 위해 현재 활발히 개발 중이다.
• 트리 기반 데이터 구조의 사용은 상관 함수 알고리즘 최적화 및 다양한 하드웨어 플랫폼 간의 확장성 향상을 위해 탐색 중이다.
• 이 연구는 비전문가가 새로운 HPC 아키텍처에 고급 알고리즘을 구현하는 데 있어 장벽을 낮추는 사례 중심의 실용적 접근을 제공한다.
• 결과적으로, 다른 과학 알고리즘에 대해서도 천체물리학을 넘어서 보편적으로 사용되는 알고리즘에 대해 대체 하드웨어 플랫폼이 상당한 성능 향상을 제공할 수 있음을 시사한다.