211service.com
Supercomputerbeelden zonder grafische chips
Voordat er gespecialiseerde chips voor grafische verwerking bestonden, gebruikten pioniers op het gebied van visualisatie multicore-supercomputers om gegevens in drie dimensies te realiseren. Tegenwoordig overtreft de snelheid waarmee supercomputers gegevens kunnen verwerken echter snel de snelheid waarmee ze die gegevens kunnen invoeren en uitvoeren. Clusters voor grafische verwerking raken verouderd.
Kern ineenstorting : Deze afbeelding - stap 1492 van een simulatie van een supernova die instort - werd gegenereerd op de supercomputer van Argonne National Laboratory, Intrepid, zonder het gebruik van een grafisch cluster.
Onderzoekers van het Argonne National Laboratory en elders werken aan een oplossing. In plaats van enorme datasets naar een gespecialiseerd grafisch-verwerkingscluster te verplaatsen voor weergave, zoals de dingen nu worden gedaan, schrijven ze software waarmee de duizenden processors in een supercomputer de visualisatie zelf kunnen doen.
Tom Peterka en Rob Ross, computerwetenschappers van het Argonne National Laboratory, en Hongfeng Yu en Kwan-Liu Ma van de University of California in Davis, hebben software geschreven voor Intrepid, een IBM Blue Gene/P-supercomputer, die het grafische verwerkingscluster omzeilt geheel. Het stelt ons in staat om [experimenten te visualiseren] op een plek die dichter bij de data staat: op dezelfde machine, zegt Peterka. De oplossing van zijn team maakt het niet langer nodig om de tijdrovende stap te nemen om de gegevens van waar ze werden gegenereerd naar een secundair computercluster te verplaatsen.
Peterka's testgegevens, verkregen uit: John Blondin van North Carolina State University en Anthony Mezzacappa van Oak Ridge National Laboratory, vertegenwoordigen 30 opeenvolgende stappen in de gesimuleerde explosieve dood van een ster, en zijn typerend voor het soort informatie dat een supercomputer als die van Argonne zou kunnen verwerken. Peterka's grootste test waarbij de gegevens maximaal waren met een driedimensionale resolutie van 89 miljard voxels (driedimensionale pixels) en resulteerde in tweedimensionale afbeeldingen met 4.096 pixels aan een kant. Voor het verwerken van de gegevens waren 32.768 van de 163.840 kernen van Intrepid nodig. Tweedimensionale afbeeldingen werden gegenereerd met een parallel algoritme voor volumeweergave, een klassieke benadering voor het maken van een tweedimensionale momentopname van een driedimensionale dataset.
Normaal gesproken is voor visualisatie en nabewerking van gegevens die worden gegenereerd door Intrepid, die met 557 teraflops de op zeven na snelste supercomputer ter wereld is, een aparte grafische verwerkingseenheid nodig die bekend staat als Eureka. (Een teraflop is het equivalent van een biljoen berekeningen per seconde.) Eureka is gebouwd met NVIDIA Quadro Plex S4 GPU's (grafische verwerkingseenheden) en draait op 111 teraflops. Krachtigere supercomputers, in het petaflop-assortiment, bieden nog grotere uitdagingen.
Hoe groter we gaan, hoe meer het probleem wordt begrensd door [invoer-/uitvoersnelheden], zegt Peterka. Alleen al het naar schijf schrijven van de hoeveelheid gegevens die wordt geproduceerd door een simulatie die op een petaflop-supercomputer wordt uitgevoerd, kan onredelijk veel tijd kosten. De reden is simpel: van de ene generatie supercomputers naar de volgende nemen de opslagcapaciteit en opslagbandbreedte niet zo snel toe als de verwerkingssnelheid.
Deze ongelijkheid betekent dat toekomstige supercomputercentra zich eenvoudigweg geen aparte grafische verwerkingseenheden kunnen veroorloven. Op petaschaal zijn [afzonderlijke grafische verwerkingseenheden] minder kosteneffectief, zegt: Hank Childs , een computersysteemingenieur en visualisatie-expert bij het Lawrence Berkeley National Laboratory. Childs wijst erop dat een speciaal visualisatiecluster, zoals dat voor Argonne's Intrepid-supercomputer, vaak ongeveer $ 1 miljoen kost, maar in de toekomst zou die kosten met een factor 20 kunnen stijgen.
Pat McCormick, die werkt aan visualisatie op 's werelds snelste supercomputer, de AMD Opteron en IBM Cell-powered Roadrunner in Los Alamos National Laboratory, zegt dat Peterka's werk aan directe visualisatie van gegevens van cruciaal belang is omdat deze machines zo groot worden dat je echt niet heb geen keus. Bestaande, op GPU gebaseerde visualisatiemethoden blijven alleen geschikt voor bepaalde soorten simulaties, zegt McCormick.
Als je een hele supercomputer met berekeningen gaat verbruiken, denk ik niet dat je een keuze hebt, zegt McCormick. Als je op die schaal werkt, moet je het werk ter plaatse doen, omdat het een eeuwigheid zou duren om het te verhuizen, en waar anders kun je zoveel gegevens verwerken?
Peterka, McCormick en Childs stellen zich een toekomst voor waarin supercomputers zogenaamde in-situ-verwerking uitvoeren, waarbij simulaties worden gevisualiseerd terwijl ze worden uitgevoerd, in plaats van achteraf.
Het idee achter in-situ verwerking is dat je I/O helemaal omzeilt, zegt Childs. Je schrijft nooit iets naar schijf. Je neemt visualisatieroutines en koppelt ze direct aan simulatiecode en voert een afbeelding uit als het gebeurt.
Deze aanpak is echter niet zonder valkuilen. Om te beginnen zou het een hele seconde of langer duren om elk beeld weer te geven, waardoor de mogelijkheid van interactie met driedimensionale modellen op een natuurlijke manier wordt uitgesloten. Een andere valkuil is het feit dat het op deze manier omgaan met data cycli op de duurste mainframes ter wereld verbrandt.
Supercomputers zijn ongelooflijk waardevolle bronnen, merkt Childs op. Dat iemand een simulatie zou doen en vervolgens een uur lang met de gegevens zou communiceren - dat is een erg dure bron om een uur lang te gijzelen.
Terwijl desktopcomputers supercomputers en GPU's volgen in de wereld van meerdere cores en massaal parallelle verwerking, speculeert Peterka dat er een trend zou kunnen zijn weg van processors die gespecialiseerd zijn voor bepaalde functies. AMD biedt al de OpenCL-codebibliotheek, die het mogelijk maakt om code die is ontworpen voor een GPU op elke x86-chip uit te voeren - en omgekeerd.
Xavier Cavin, oprichter en CEO van Scalable Graphics, een bedrijf dat software ontwerpt voor de grootste grafische verwerkingseenheden die door bedrijven worden gebruikt, wijst erop dat het allereerste parallelle algoritme voor volumeweergave op de CPU's van een supercomputer draaide. Daarna begonnen mensen GPU's en GPU-clusters te gebruiken om hetzelfde te doen, zegt Cavin. En nu komt het terug op CPU's. De cirkel is rond.