Superdatoru vizuālie attēli bez grafikas mikroshēmām

Pirms specializētu grafikas apstrādes mikroshēmu pastāvēšanas pionieri vizualizācijas jomā izmantoja daudzkodolu superdatorus, lai realizētu datus trīs dimensijās. Tomēr šodien ātrums, ar kādu superdatori var apstrādāt datus, strauji pārsniedz ātrumu, ar kādu tie var ievadīt un izvadīt šos datus. Grafikas apstrādes klasteri kļūst novecojuši.

Kodola sabrukums : Šis attēls — kodola sabrukšanas supernovas simulācijas 1492. darbība — tika ģenerēts Argonnas Nacionālās laboratorijas superdatorā Intrepid, neizmantojot grafikas kopu.

Pētnieki Argonne National Laboratory un citur strādā pie risinājuma. Tā vietā, lai pārvietotu lielas datu kopas uz specializētu grafikas apstrādes kopu renderēšanai, kā tas notiek tagad, viņi raksta programmatūru, kas ļauj tūkstošiem superdatora procesoru pašiem veikt vizualizāciju.

Toms Peterka un Robs Ross, datorzinātnieki no Argonnas Nacionālās laboratorijas un Hongfeng Yu un Kwan-Liu Ma no Kalifornijas Universitātes Deivisā, ir uzrakstījuši programmatūru Intrepid, IBM Blue Gene/P superdatoram, kas apiet grafikas apstrādes klasteru. pilnībā. Tas ļauj mums [vizualizēt eksperimentus] vietā, kas ir tuvāk datu atrašanās vietai — tajā pašā mašīnā, saka Peterka. Viņa komandas risinājums novērš nepieciešamību veikt laikietilpīgo darbību, pārvietojot datus no ģenerēšanas vietas uz sekundāro datoru klasteri.

Pēterka testa dati, kas iegūti no Džons Blondins Ziemeļkarolīnas štata universitātes un Entonija Mezakapa no Oak Ridžas Nacionālās laboratorijas, attēlo 30 secīgus soļus simulētā zvaigznes sprādzienbīstamā nāvē, un tie ir raksturīgi tādai informācijai, ko varētu risināt tāds superdators kā Argonne’s. Peterka lielākais tests ar datiem, kas maksimāli izmantoti ar trīsdimensiju izšķirtspēju 89 miljardu vokseļu (trīsdimensiju pikseļi), un rezultātā tika iegūti divdimensiju attēli ar 4096 pikseļiem vienā pusē. Datu apstrādei bija nepieciešami 32 768 no Intrepid 163 840 kodoliem. Divdimensiju attēli tika ģenerēti ar paralēlu tilpuma renderēšanas algoritmu, kas ir klasiska pieeja trīsdimensiju datu kopas divdimensiju momentuzņēmuma izveidošanai.

Parasti Intrepid ģenerēto datu vizualizācijai un pēcapstrādei, kas ar 557 teraflopiem ir pasaulē septītais ātrākais superdators, ir nepieciešama atsevišķa grafikas apstrādes iekārta, kas pazīstama kā Eureka. (Teraflops ir līdzvērtīgs triljonam aprēķinu sekundē.) Eureka, kas veidota no NVIDIA Quadro Plex S4 GPU (grafikas apstrādes vienībām), darbojas ar 111 teraflopiem. Jaudīgāki superdatori petaflop diapazonā rada vēl lielākas problēmas.

Jo vairāk mēs ejam, jo ​​vairāk problēmu ierobežo [ievades/izvades ātrumi], saka Peterka. Vienkārša datu apjoma ierakstīšana diskā, ko rada simulācija ar petaflop superdatoru, var aizņemt nesaprātīgi daudz laika. Iemesls ir vienkāršs: no vienas superdatora paaudzes uz nākamo, atmiņas ietilpība un krātuves joslas platums nepalielinās tik ātri kā apstrādes ātrums.

Šī atšķirība nozīmē, ka nākotnes superskaitļošanas centri vienkārši nevarēs atļauties atsevišķas grafikas apstrādes vienības. Peta mērogā [atsevišķas grafikas apstrādes vienības] ir mazāk rentablas, saka Henks Čailds , datorsistēmu inženieris un vizualizācijas eksperts Lorensa Bērklija Nacionālajā laboratorijā. Childs norāda, ka īpašs vizualizācijas klasteris, piemēram, Argonne's Intrepid superdatoram, bieži maksā apmēram 1 miljonu ASV dolāru, taču nākotnē šīs izmaksas var pieaugt par 20 reizēm.

Pats Makkormiks, kurš Losalamosas Nacionālajā laboratorijā strādā pie vizualizācijas pasaules ātrākajā superdatorā AMD Opteron un IBM šūnu darbināmā Roadrunner, saka, ka Peterkas darbs pie tiešas datu vizualizācijas ir ļoti svarīgs, jo šīs mašīnas kļūst tik lielas, ka jūs patiešām to nedarīsit. nav izvēles. Esošās uz GPU balstītās vizualizācijas metodes joprojām būs piemērotas tikai noteikta veida simulācijām, saka McCormick.

Ja jūs plānojat patērēt visu superdatoru ar aprēķiniem, es domāju, ka jums nav izvēles, saka Makkormiks. Ja strādājat tādā mērogā, jums būs jāveic darbs uz vietas, jo tā pārvietošana prasīs uz visiem laikiem, un kur vēl jūs varēsiet apstrādāt tik daudz datu?

Peterka, McCormick un Childs paredz nākotni, kurā superdatori veic tā saukto in situ apstrādi, kurā simulācijas tiek vizualizētas to darbības laikā, nevis pēc fakta.

In situ apstrādes ideja ir tāda, ka jūs pilnībā apiet I/O, saka Childs. Jūs nekad neko neierakstiet diskā. Jūs veicat vizualizācijas rutīnas un saistāt tās tieši ar simulācijas kodu un izvadāt attēlu, kad tas notiek.

Tomēr šī pieeja nav bez trūkumiem. Pirmkārt, katra attēla atveidošana aizņemtu veselu sekundi vai vairāk, izslēdzot iespēju dabiskā veidā mijiedarboties ar trīsdimensiju modeļiem. Vēl viena kļūme ir fakts, ka šādā veidā mijiedarbojoties ar datiem, pasaulē dārgākajos lieldatoros tiek sadedzināti cikli.

Superdatori ir neticami vērtīgi resursi, atzīmē Childs. Ja kāds veiktu simulāciju un pēc tam stundu mijiedarbotos ar datiem — tas ir ļoti dārgs resurss, lai stundu turētu ķīlniekus.

Tā kā galddatori seko superdatoriem un GPU pasaulē, kurā ir vairāki kodoli un masveida paralēla apstrāde, Peterka domā, ka varētu būt tendence atteikties no procesoriem, kas ir specializēti noteiktām funkcijām. Jau tagad AMD piedāvā OpenCL kodu bibliotēku, kas ļauj palaist kodu, kas paredzēts GPU jebkurā x86 mikroshēmā un otrādi.

Xavier Cavin, uzņēmuma Scalable Graphics dibinātājs un izpilddirektors, kas izstrādā programmatūru lielākajām uzņēmumu izmantotajām grafikas apstrādes vienībām, norāda, ka pats pirmais paralēlais apjoma renderēšanas algoritms darbojās uz superdatora CPU. Pēc tam cilvēki sāka izmantot GPU un GPU klasterus, lai darītu to pašu, saka Cavin. Un tagad tas atgriežas pie CPU. Ir pienācis pilns aplis.

paslēpties