[论文解读] Memory layout in GPU implementation of lattice Boltzmann method for sparse 3D geometries

Tadeusz Tomczak, Roman G. Szafran|arXiv (Cornell University)|Nov 8, 2016

Lattice Boltzmann Simulation Studies被引用 2

一句话总结

本文提出了一种针对稀疏三维几何结构中格子玻尔兹曼方法（LBM）的GPU优化内存布局，采用统一的三维瓦片结构并结合策略性数据放置，以减少冗余内存访问。该方法在双精度下对D3Q19模型实现了超过70%的理论GPU内存带宽，显著优于其他在稀疏、局部一致域中运行的GPU LBM实现。

ABSTRACT

We describe a high-performance implementation of the lattice Boltzmann method (LBM) for sparse 3D geometries on graphic processors (GPU). The main contribution of this work is a data layout that allows to minimise the number of redundant memory transactions during the propagation step of LBM. We show that by using a uniform mesh of small three-dimensional tiles and a careful data placement it is possible to utilise more than 70% of maximum theoretical GPU memory bandwidth for D3Q19 lattice and double precision numbers. The performance of our implementation is thoroughly examined and compared with other GPU implementations of LBM. The proposed method performs the best for sparse geometries with good spatial locality.

研究动机与目标

• 解决GPU加速的格子玻尔兹曼方法（LBM）在稀疏三维几何结构中仿真的性能瓶颈问题。
• 最小化GPU上LBM传播步骤中的冗余内存访问。
• 通过智能数据布局与分块技术，最大化GPU内存带宽利用率。
• 在稀疏、空间局部化场景中，实现优于现有GPU LBM实现的性能表现。

提出的方法

• 该方法采用统一的小型三维瓦片网格对计算域进行分区。
• 数据在瓦片内被精心放置，以增强空间局部性并减少冗余内存访问。
• 布局设计与GPU内存访问模式对齐，提升合并访问效率并优化带宽利用率。
• 采用D3Q19格子模型并结合双精度浮点数运算。
• 通过组织数据以匹配访问模式，最小化传播步骤中的内存事务。
• 该实现针对空间局部性得以保持的稀疏几何结构，实现高带宽效率。

实验结果

研究问题

• RQ1 如何优化GPU加速LBM在稀疏三维几何结构中的内存访问模式？
• RQ2 通过数据布局设计，冗余内存事务可减少到何种程度？
• RQ3 采用优化的分块与数据放置策略后，可实现多高的GPU内存带宽？
• RQ4 与现有GPU LBM实现相比，所提出的布局在性能上表现如何？
• RQ5 该方法在哪些场景下展现出卓越性能？

主要发现

• 所提出的内存布局在D3Q19格子与双精度浮点数下，实现了超过理论最大GPU内存带宽70%的性能。
• 在具有较好空间局部性的稀疏三维几何结构中，该实现显著优于其他基于GPU的LBM方法。
• 分块与数据放置策略在传播步骤中有效减少了冗余内存事务。
• 由于优化的内存合并访问与良好的空间局部性，该方法保持了高性能。
• 该方法在计算密度较低但局部一致性高的稀疏区域中尤为有效。
• 结果证实，内存带宽利用率是主要性能瓶颈，而通过布局感知设计可有效缓解此问题。