GPUs más rápidas

Hay un caso de uso interesante para el cómputo GPU escrito por EE Times esta semana. Uri Tal, fundador de Rocketick, una compañía israelí que ofrece la GPU acelerada de software para la automatización de diseño electrónico (EDA), el autor del artículo,  entró en algunos detalles acerca de por qué las GPUs son esos grandes motores de cálculo para hacer simulaciones de chips.

En primer lugar, sin embargo, él se describe por qué las aplicaciones EDA no son tan grandes cuando se ejecuta en las CPU. La mayor parte se centra en torno a la falta de localidad de datos presentan estos usos. CPU dependen en gran medida de grandes depósitos para evitar los costos considerables de latencia de acceso a la memoria principal. Pero como los conjuntos de datos EDA son demasiado grandes para caber en la memoria caché y el patrón de la solicitud de acceso es un tanto aleatorio, el ancho de banda de memoria se convierte en un cuello de botella. Y puesto que los diseños de chips son cada vez más grandes y complejos, una caché basada en la arquitectura probablemente no será capaz de ponerse al día.

No así para las GPU, que se construyen con paralelismo de datos en mente y están conectados a la memoria de gráficos (GDDR5) que proporcionan mayor ancho de banda de la memoria de grado de la CPU. Tal Escribe:

Las GPU se adaptan perfectamente a los datos de los algoritmos paralelos con enormes conjuntos de datos. En el más reciente desarrollo GPU hay más de un millar de núcleos de procesamiento, organizados en grupos SIMD. Todo lo que se requiere es que lanzar varios millones de procesos de corta duración en threads  independientes que no necesitan comunicarse entre sí. La latencia de la memoria puede ser perfectamente oculto por el cambio entre “esperando” las threads a “Listo” threads  muy eficientemente. En lugar de la optimización de la latencia del thread, la optimización es para el rendimiento – el número de hilos que pueden ser procesados ​​en la duración de tiempo específico.

Sin embargo, conseguir la EDA para tomar ventaja de las GPU no es un slam dunk. Se basa en ser capaz de poner en paralelo a la aplicación de tales dependencias entre todos los hilos que se reducen al mínimo. Tal dijeron que tuvieron que rediseñar tanto la estructura del software de EDA y de los algoritmos subyacentes para que esto suceda.

Según él, el rediseño dio sus frutos, lo que resulta en simulaciones de chips que iban de 10 a 30 veces más rápido. Mejor aún, el software Rocketick se puede ejecutar en múltiples GPUs y automáticamente ofrecer más rendimiento, cuando el nuevo, grande, y más rápido GPU se implanten.

Aunque no se menciona en la valoración crítica de Tal, vale la pena mencionar que NVIDIA utiliza herramientas aceleradas de la GPU  para diseñar y verificar su propio hardware. Ya en 2010, al menos, NVIDIA hizo  uso del software de Agilent como parte de su flujo de trabajo de diseño de chips, el empleo de un pequeño in-house clúster GPU. Por el momento, el fabricante de la GPU estaba evaluando una oferta de Rocketick y miró los primeros resultados “prometedores”.

Fuente: HPCWire