فناوری GPU منبع باز برای ابررایانه ها: محققان مزایا و معایب را بررسی می کنند

بازنشر افلاطون

دنبال: 0

صفحه اصلی > رسانه ها و مطبوعات > فناوری GPU منبع باز برای ابر رایانه ها: محققان مزایا و معایب را بررسی می کنند

ولادیمیر استگایلوف، استاد دانشگاه HSE اعتبار ولادیمیر استگایلوف

چکیده:
محققان آزمایشگاه بین‌المللی HSE برای مدل‌سازی اتمی ابررایانه و تحلیل چند مقیاسی، JIHT RAS و MIPT عملکرد برنامه‌های مدل‌سازی مولکولی محبوب را بر روی شتاب‌دهنده‌های GPU تولید شده توسط AMD و Nvidia مقایسه کرده‌اند. در مقاله ای که توسط مجله International Journal of High Performance Computing Applications منتشر شده است، محققان برای اولین بار LAMMPS را بر روی فناوری جدید GPU منبع باز، AMD HIP، منتقل کردند.

فناوری GPU منبع باز برای ابر رایانه ها: محققان مزایا و معایب را بررسی می کنند

مسکو، روسیه | ارسال شده در 30 آوریل 2021

محققان به طور کامل عملکرد سه برنامه مدل‌سازی مولکولی - LAMMPS، Gromacs و OpenMM را بر روی شتاب‌دهنده‌های GPU Nvidia و AMD با پارامترهای پیک قابل مقایسه تجزیه و تحلیل کردند. برای آزمایش‌ها، آنها از مدل ApoA1 (Apolipoprotein A1) - آپولیپوپروتئین در پلاسمای خون، پروتئین حامل اصلی «کلسترول خوب» استفاده کردند. آنها دریافتند که عملکرد محاسبات تحقیقاتی نه تنها تحت تأثیر پارامترهای سخت افزاری، بلکه تحت تأثیر محیط نرم افزار قرار می گیرد. مشخص شد که عملکرد ناکارآمد درایورهای AMD در سناریوهای پیچیده راه‌اندازی موازی هسته‌های محاسباتی می‌تواند منجر به تاخیرهای قابل‌توجهی شود. راه حل های منبع باز هنوز هم معایب خود را دارند.

در مقاله اخیراً منتشر شده، محققان اولین کسانی بودند که LAMMPS را بر روی یک فناوری جدید GPU منبع باز، AMD HIP، پورت کردند. این فناوری در حال توسعه بسیار امیدوارکننده به نظر می رسد زیرا به استفاده موثر از یک کد هم در شتاب دهنده های Nvidia و هم در GPU های جدید AMD کمک می کند. اصلاح LAMMPS توسعه یافته به عنوان منبع باز منتشر شده است و در مخزن رسمی موجود است: کاربران از سراسر جهان می توانند از آن برای تسریع محاسبات خود استفاده کنند.

ما زیرسیستم های حافظه شتاب دهنده GPU معماری های Nvidia Volta و AMD Vega20 را به طور کامل تجزیه و تحلیل و مقایسه کردیم. من تفاوتی در منطق راه‌اندازی موازی هسته‌های GPU پیدا کردم و آن را با تجسم نمایه‌های برنامه نشان دادم. هم پهنای باند حافظه و هم تأخیرهای سطوح مختلف سلسله مراتب حافظه GPU و همچنین اجرای موازی مؤثر هسته‌های GPU - همه این جنبه‌ها تأثیر عمده‌ای بر عملکرد واقعی برنامه‌های GPU دارند. یکی از نویسندگان مقاله

نویسندگان مقاله استدلال می‌کنند که مشارکت در مسابقه فناوری غول‌های میکروالکترونیک معاصر نشان‌دهنده گرایش آشکار به سمت تنوع بیشتر فناوری‌های شتاب GPU است.

از یک طرف، این واقعیت برای کاربران نهایی مثبت است، زیرا باعث تحریک رقابت، افزایش اثربخشی و کاهش هزینه‌های ابررایانه‌ها می‌شود. ولادیمیر استگایلوف، استاد دانشگاه HSE، اظهار داشت: از سوی دیگر، به دلیل نیاز به در نظر گرفتن در دسترس بودن چندین نوع مختلف معماری GPU و فناوری های برنامه نویسی، توسعه برنامه های مؤثر دشوارتر خواهد بود. حتی پشتیبانی از قابلیت حمل برنامه برای پردازنده های معمولی در معماری های مختلف (x86، Arm، POWER) اغلب پیچیده است. قابل حمل بودن برنامه ها بین پلتفرم های مختلف GPU مسئله بسیار پیچیده تری است. پارادایم منبع باز بسیاری از موانع را از بین می برد و به توسعه دهندگان نرم افزارهای بزرگ و پیچیده ابر رایانه کمک می کند.

در سال 2020، بازار شتاب‌دهنده‌های گرافیکی کسری رو به رشدی را تجربه کرد. حوزه های محبوب استفاده از آنها به خوبی شناخته شده است: استخراج ارز دیجیتال و وظایف یادگیری ماشین. در همین حال، تحقیقات علمی همچنین به شتاب‌دهنده‌های GPU برای مدل‌سازی ریاضی مواد جدید و مولکول‌های بیولوژیکی نیاز دارد.

«ایجاد ابررایانه‌های قدرتمند و توسعه برنامه‌های سریع و مؤثر نحوه آماده‌سازی ابزارها برای حل پیچیده‌ترین چالش‌های جهانی، مانند همه‌گیری COVID-19 است. نیکولای کوندراتیوک، محقق دانشگاه HSE و یکی از نویسندگان مقاله، گفت: ابزارهای محاسباتی برای مدل‌سازی مولکولی امروزه در سطح جهانی برای جستجوی راه‌هایی برای مبارزه با ویروس استفاده می‌شوند.

مهم‌ترین برنامه‌ها برای مدل‌سازی ریاضی توسط تیم‌های بین‌المللی و محققان ده‌ها موسسه توسعه داده می‌شوند. توسعه در پارادایم منبع باز و تحت مجوزهای رایگان انجام می شود. رقابت دو غول میکروالکترونیک معاصر، Nvidia و AMD، منجر به ظهور یک زیرساخت منبع باز جدید برای برنامه نویسی شتاب دهنده های GPU، AMD ROCm شده است. شخصیت منبع باز این پلتفرم امید به حداکثر قابلیت حمل کدهای توسعه یافته با استفاده از آن را به ابررایانه های مختلف می دهد. چنین استراتژی AMD با رویکرد Nvidia که فناوری CUDA یک استاندارد بسته است، متفاوت است.

طولی نکشید که پاسخ جامعه دانشگاهی را دیدیم. پروژه‌های بزرگ‌ترین ابررایانه‌های جدید مبتنی بر شتاب‌دهنده‌های GPU AMD نزدیک به اتمام هستند. Lumi در فنلاند با عملکرد 0.5 exaFLOPS (که مشابه عملکرد 1,500,000 لپ تاپ است!) به سرعت در حال ساخت است. امسال ابررایانه قدرتمندتری به نام Frontier در ایالات متحده آمریکا (1.5 exaFLOPS) و در سال 2023 - El Capitan حتی قدرتمندتر (2 exaFLOPS) انتظار می رود.

####

برای اطلاعات بیشتر، لطفا کلیک کنید اینجا کلیک نمایید

تماس با ما:
لیودمیلا مزنتسوا
7-926-313-2406

@HSE_eng

حق چاپ © دانشگاه HSE

اگر نظری دارید بفرمایید تماس با ما ما.

مسئولیت صحت محتوا به عهده صادرکنندگان انتشارات خبری است، نه موج هفتم، شرکت یا نانوتکنولوژی اکنون.

نشانک: