[论文解读] High-Performance Image Synthesis for Radio Interferometry

Daniel Muscat|arXiv (Cornell University)|Mar 17, 2014

Radio Astronomy Observations and Technology参考文献 45被引用 7

一句话总结

本论文提出 mt-imager，一种用于射电干涉成像的高性能GPU加速图像合成工具，通过利用CUDA、多GPU扩展以及一种新颖的w-投影算法压缩技术，相较于基于CPU的同类工具实现了高达100倍的加速。该框架基于通用数组框架（GAFW）构建，通过优化CPU-GPU并发磁盘I/O与并行处理，最大化硬件利用率。

ABSTRACT

A radio interferometer indirectly measures the intensity distribution of the sky over the celestial sphere. Since measurements are made over an irregularly sampled Fourier plane, synthesising an intensity image from interferometric measurements requires substantial processing. Furthermore there are distortions that have to be corrected. In this thesis, a new high-performance image synthesis tool (imaging tool) for radio interferometry is developed. Implemented in C++ and CUDA, the imaging tool achieves unprecedented performance by means of Graphics Processing Units (GPUs). The imaging tool is divided into several components, and the back-end handling numerical calculations is generalised in a new framework. A new feature termed compression arbitrarily increases the performance of an already highly efficient GPU-based implementation of the w-projection algorithm. Compression takes advantage of the behaviour of oversampled convolution functions and the baseline trajectories. A CPU-based component prepares data for the GPU which is multi-threaded to ensure maximum use of modern multi-core CPUs. Best performance can only be achieved if all hardware components in a system do work in parallel. The imaging tool is designed such that disk I/O and work on CPU and GPUs is done concurrently. Test cases show that the imaging tool performs nearly 100$ imes$ faster than another general CPU-based imaging tool. Unfortunately, the tool is limited in use since deconvolution and A-projection are not yet supported. It is also limited by GPU memory. Future work will implement deconvolution and A-projection, whilst finding ways of overcoming the memory limitation.

研究动机与目标

• 开发一种高性能的射电干涉成像合成工具，以克服处理非均匀采样可见度数据时的计算瓶颈。
• 通过利用GPU的并行处理能力，解决现有基于CPU的成像工具在性能上的局限性。
• 设计一种可扩展、模块化的框架，支持并发磁盘I/O、CPU与GPU计算，以最大化硬件利用率。
• 提出一种针对w-投影算法的新型压缩技术，可在特定配置下将性能提升高达3倍。
• 尽管当前存在GPU内存限制和功能缺失，仍为未来支持去卷积、A-投影以及GPU集群扩展奠定基础。

提出的方法

• 使用C++和CUDA实现核心成像流水线，并通过多线程CPU组件准备GPU执行所需的数据。
• 开发通用数组框架（GAFW）作为通用数值计算后端，将算法逻辑与硬件执行解耦。
• 通过利用过采样的卷积函数和基线轨迹，对w-投影算法应用一种新颖的压缩技术，减少内存访问开销。
• 支持并发磁盘I/O、CPU预处理与GPU计算，以隐藏延迟并最大化吞吐量。
• 采用分层架构，包含配置管理器、可见度管理器、WImager和图像最终化组件，以模块化方式组织数据流与处理流程。
• 优化内存访问模式，并采用高效的线程配置进行GPU内核调用，以实现高网格点更新速率。

实验结果

研究问题

• RQ1 GPU加速的成像流水线能否在射电干涉成像合成任务中实现相较于传统CPU工具100倍的性能提升？
• RQ2 所提出的压缩技术在减少w-投影算法计算负载并提升网格化性能方面效果如何？
• RQ3 GPU基图像合成的主要性能瓶颈是什么？能否通过架构设计有效缓解？
• RQ4 该成像工具在多GPU环境下的可扩展性如何？其实际可扩展性受到哪些因素限制？
• RQ5 如何设计一种通用框架（GAFW），使其在支持异构硬件（CPU、GPU、集群）的同时，保持高性能与可扩展性？

主要发现

• mt-imager 实现了高达每秒500亿个网格点更新的实时网格化速率，展现了在最计算密集场景下的卓越性能。
• 该成像工具的性能几乎比lwimager基于CPU的工具快近100倍，验证了高性能图像合成的核心目标。
• w-投影算法中的压缩技术在特定测试用例中可实现高达3倍的性能提升，主要通过减少冗余卷积函数查找实现。
• 主要性能瓶颈来自磁盘I/O，导致在两块GTX 670显卡上多GPU加速仅提升至1.2倍，尽管在排除I/O影响后理论加速可达1.8倍。
• WImager网格化器的性能受限于卷积函数数据的内存获取，凸显了优化内存访问模式的必要性。
• 系统在GPU间具备可扩展性，但实际性能增益受限于数据加载延迟，表明I/O优化对未来的集群部署至关重要。