[论文解读] 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 36

一句话总结

本文展示了GPU可将N体模拟的计算速度提升至原来的25倍，相比高度优化的CPU代码，实现高达近100 GFlops的性能，使用的是ATI X1900XTX显卡。作者利用Brook+实现高度优化的数据并行内核，充分利用GPU流处理能力，使高性能、低成本的科学计算成为可能，对Folding@Home等分布式系统具有重要意义。

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.

研究动机与目标

• 利用通用GPU加速N体模拟中的O(N²)力计算，此类GPU具备高计算能力且成本低廉。
• 通过聚焦于力计算内核（主要计算阶段），克服GPU上邻居列表生成的性能瓶颈。
• 证明基于GPU的N体模拟性能可与GRAPE-6A和MDGRAPE-3等专用硬件比肩甚至超越，且成本仅为后者的几分之一。
• 通过将GPU加速集成到Folding@Home等分布式计算框架中，实现大规模、长时间尺度的分子动力学模拟。

提出的方法

• 作者使用Brook+（一种用于流计算的高级语言）实现数据并行内核，表达在GPU优化数据流上的力计算。
• 内核使用牛顿引力和Lennard-Jones势能计算粒子间的两两作用力，每个线程负责一个粒子的力累加。
• 通过向量化操作和内存合并，最大化内存带宽利用率并最小化延迟。
• 通过将粒子分组为512个一组，并使用共享内存减少全局内存访问次数，优化内存访问。
• 利用ATITool分析内存带宽需求，以监控实际内存访问模式并识别性能瓶颈。
• 该方法适用于引力和非键合力模型，包括GA和LJC内核，并通过详细的FLOP计数来衡量性能。

实验结果

研究问题

• RQ1 通用GPU能否在O(N²)力计算中实现与GRAPE-6A等专用N体硬件相当的性能？
• RQ2 GPU上基于N体模拟的性能如何随内存带宽和内核配置变化而变化？
• RQ3 在分布式计算环境中，GPU加速能在多大程度上提升分子动力学模拟的时间尺度？
• RQ4 GPU上的力计算内核能否超越使用SSE指令集高度优化的CPU代码？
• RQ5 在N体模拟中，制约GPU性能的内存访问模式和带宽限制是什么？

主要发现

• 在ATI X1900XTX上，GPU实现达到接近100 GFlops的持续性能，显著优于Intel Pentium 4上高度优化的SSE代码。
• GPU力内核性能比CPU实现快25倍以上，表明在O(N²)力计算中具有显著性能优势。
• 当内存带宽低于约11.3 GB/sec（LJC内核）、5.2 GB/sec（GAJ内核）和2.1 GB/sec（GA内核）时，性能开始下降，表明内存带宽是关键限制因素。
• GA内核显示约10个粒子同时访问同一个j-粒子，表明存在较高的数据重用率和高效的内存访问模式。
• 在内存速度超过500 MHz时，所有内核均接近峰值性能，表明在专用GPU板卡中使用成本更低、速度更慢的内存不会造成性能损失。
• 将GPU加速集成到Folding@Home等分布式计算框架中，可实现蛋白质折叠模拟在10微秒时间尺度内完成，且总耗时不足三个月，每个GPU的性能约为普通捐赠CPU的60倍。