[论文解读] Developing and Deploying Advanced Algorithms to Novel Supercomputing Hardware

Róbert Brunner, Volodymyr Kindratenko+1 more|ArXiv.org|Nov 21, 2007

Galaxies: Formation, Evolution, Phenomena参考文献 9被引用 12

一句话总结

本文展示了可重构计算硬件——特别是FPGA和GPU——在宇宙学两点相关函数计算中相比传统CPU系统可实现高达两个数量级的加速。通过利用FPGA平台（如SRC-6 MAP-C）和基于GPU的实现，作者在显著提升性能的同时，为非专业人员提供了在科学计算中采用这些先进硬件技术的实用指南。

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.

研究动机与目标

• 克服限制非专业人员采用新型高性能计算（HPC）技术的开发工具和案例研究不足的障碍。
• 通过使用FPGA、GPU和STI Cell BE等替代硬件平台，在实际科学应用中展示显著的性能提升。
• 通过记录在新兴HPC架构上的部署过程和性能结果，为研究人员和开发者提供指导。
• 将基础科学算法（特别是相关函数）优化并移植到可重构和数据并行硬件平台上。
• 将该方法扩展到科学计算中广泛使用的其他算法，包括基于实例的分类器和功率谱估计器。

提出的方法

• 利用对新型硬件平台的访问，包括SRC-6 MAP-C和MAP-E FPGA、SGI RASC Athena和RC100可重构系统，以及NVIDIA GPU。
• 在单个FPGA处理器上使用暴力计算方法实现两点相关函数，并与单个CPU处理器的性能进行比较。
• 探索使用基于树的数据结构来优化相关函数算法，以提高可扩展性和效率。
• 开发基于GPU的相关函数实现，以利用此类计算中固有的数据级并行性。
• 应用在宇宙学中常用的算法优化技术，以增强在替代硬件平台上的性能。
• 评估并移植其他算法（如功率谱估计器和高阶相关函数），以评估其更广泛的应用潜力。

实验结果

研究问题

• RQ1 基于FPGA的系统是否能在计算密集型科学工作负载（如两点相关函数）中实现显著加速？
• RQ2 FPGA在加速宇宙学数据分析算法方面的性能特征与传统CPU和GPU相比如何？
• RQ3 非专业人员在将先进算法部署到新型HPC平台时面临哪些实际挑战和开发障碍？
• RQ4 树状数据结构等算法优化在可重构和GPU系统上的性能提升程度如何？
• RQ5 在相关函数上观察到的性能提升能否推广到天体物理学及相关领域中其他常见科学算法？

主要发现

• 基于FPGA的单处理器系统在暴力计算两点相关函数时，性能相比单处理器CPU系统实现了接近两个数量级（约100倍）的加速。
• SRC-6 MAP-C和MAP-E FPGA平台在数据并行科学工作负载中表现出强劲性能，验证了其在宇宙学高性能计算中的适用性。
• 基于GPU的实现正在积极开发中，以进一步利用相关函数计算中的数据级并行性。
• 正在探索使用基于树的数据结构来优化相关函数算法，并提升在不同硬件平台上的可扩展性。
• 本研究提供了一种实用的、基于案例的方法，降低了非专业人员在新型HPC架构上部署先进算法的入门门槛。
• 结果表明，替代硬件平台不仅能显著提升宇宙学中的算法性能，还可为广泛使用的科学算法带来显著性能改进。