[논문 리뷰] GPU acceleration of the SAGECal calibration package for the SKA

Hanno Spreeuw, Ben van Werkhoven외 2명|arXiv (Cornell University)|2019. 10. 30.

Radio Astronomy Observations and Technology인용 수 7

한 줄 요약

이 논문은 저주파 방사선 간섭계 보정 패키지인 SAGECal의 GPU 가속 성능을 평가하며, 스타일 제곱킬로미터 어레이(SKA) 데이터에 필수적인, 정거장 수와 보정 방향 수에 대해 거의 선형적인 확장성을 입증한다. 고성능 CPU 대비 35% 빠른 성능을 달성하면서도 전력 소비는 20배 줄였다. 이 연구는 GPU 가속이 대규모 SAK 관측의 런타임을 크게 단축시킴을 확인한다.

ABSTRACT

SAGECal has been designed to find the most accurate calibration solutions for low radio frequency imaging observations, with minimum artefacts due to incomplete sky models. SAGECAL is developed to handle extremely large datasets, e.g., when the number of frequency bands greatly exceeds the number of available nodes on a compute cluster. Accurate calibration solutions are derived at the expense of large computational loads, which require distributed computing and modern compute devices, such as GPUs, to decrease runtimes. In this work, we investigate if the GPU version of SAGECal scales well enough to meet the requirements for the Square Kilometre Array and we compare its performance with the CPU version.

연구 동기 및 목표

• 차세대 천체망원경(예: SAK)으로 인한 거대한 데이터 세트로 인해 발생하는 저주파 방사선 보정의 계산적 병목 현상을 해결한다.
• GPU 가속이 SAK 수준의 데이터 볼륨과 복잡성에 대해 효과적으로 확장 가능한지 평가한다.
• 실시간 또는 근접 실시간 SAK 관측 보정의 가능성 여부를 판단하기 위해 CPU 및 GPU 성능을 SAGECal에서 비교한다.
• 정거장 수와 보정 방향(클러스터) 수 증가가 CPU 및 GPU 구현의 런타임에 미치는 영향을 조사한다.
• 대규모 보정 워크로드에서 고핵심수 CPU 대비 GPU 기반 SAGECal의 에너지 효율성을 평가한다.

제안 방법

• LOFAR 및 SAK1 LOW 구성과 유사한 64~512개 정거장을 가진 다섯 개의 인위적 데이터 세트를 생성하였다.
• 다양한 수의 보정 방향(클러스터)을 가진 SAGECal을 CPU(이중 Xeon E5-2660v3, 32 스레드) 및 GPU(NVIDIA GeForce GTX 1080)에서 실행하였다.
• 정거장 수와 클러스터 구성에 따라 런타임을 측정하여 확장성 행동을 평가하였다.
• 정거장 수와 클러스터 수에 따른 런타임의 2차원 및 3차원 시각화를 통해 성능 차이를 분석하였다.
• 근사 선형 추세에도 불구하고 잔류하는 2차 비율 확장 성분을 탐지하기 위해 GPU 성능을 프로파일링하였다.
• 동일한 워크로드 하에서 GPU(NVIDIA Jetson Nano)와 CPU 성능을 비교하여 에너지 효율성을 평가하였다.

실험 결과

연구 질문

• RQ1 SAGECal의 GPU 가속이 SAK 데이터 속도에 필수적인 정거장 수와 보정 방향 수 증가에 대해 거의 선형적으로 확장되는가?
• RQ2 대규모 간섭계 보정에 있어 GPU 기반 SAGECal의 런타임 및 에너지 효율성은 CPU 기반 SAGECal 대비 어떻게 다른가?
• RQ3 작은 데이터 세트(예: 64개 정거장)를 처리할 경우, 데이터 전송 오버헤드가 GPU 성능에 미치는 영향은 무엇인가?
• RQ4 고성능 FLOPS 확보 조건에서도 GPU 기반 SAGECal 성능에 눈에 띄는 2차 비율 성분이 존재하는가?
• RQ5 GPU 가속 SAGECal은 향후 SAK 관측의 계산 및 에너지 효율성 요구 조건을 충족시킬 수 있는가?

주요 결과

• 64개 정거장을 초과하는 데이터 세트에서는 데이터 전송 오버헤드가 계산 속도 향상에 비해 우세해지므로, GPU 가속이 SAGECal 보정 런타임을 크게 단축시킨다.
• GPU 기반 SAGECal은 정거장 수에 대해 거의 선형적인 확장성을 보이며, CPU에서는 관찰된 강한 비선형 확장성과 대비된다.
• 512개 정거장과 50개 보정 방향 조건에서 GPU 성능은 최소한의 2차 비율 편차를 유지하며, SAK 규모 워크로드에 강력한 잠재력을 보여준다.
• 저전력 NVIDIA Jetson Nano GPU 기반 SAGECal은 고성능 40코어 CPU보다 35% 빠르며, 파워 성능 비율 면에서 열등함을 입증한다.
• GPU 버전은 결과를 더 빨리 제공하면서도 CPU 버전 대비 약 20배 적은 전력을 소비하여 에너지 효율성이 뛰어나다는 점을 입증한다.
• 64개 정거장, 1개 클러스터 조건에서는 GPU가 정지 시간과 데이터 전송 지연으로 인해 효율성이 떨어지며, 낮은 워크로드에서 GPU의 부과적 중복성을 확인한다.