强化GPU高性能并行计算混合架构扩展图形计算及数据处理应用经济效益

时间:2009-02-19   来源:   网友评论:0   人气: 335 作者:

专访NVIDIA TelsaGPU运算部门总经理Andy Keane

并行算法随着计算机运算广度的需求日增而越来越重要,特别是在高端科学计算、高精度图像处理、医学成像与基因分析、地质探测、以及工业用图形设计领域,高性能计算处理的需求越来越高。数据并行计算data-parallel computing)模式该如何创新整合,顺应未来多核心GPU计算以及大量数据计算处理的繁杂架构,符合节能简碳并有效运用空间,已成为重要课题。


b.jpg 

附图 : 图为NVIDIA TelsaGPU运算部门总经理Andy Keane。(SourceHDC

NVIDIA TelsaGPU计算部门总经理Andy Keane表示,对于高速数据运算,一般x86集群并行计算架构采用多核心CPU模式,IBM也有多核处理器运作并行计算。超过90%的使用者或许熟悉传统x86集群系统在高性能运算(High Performance ComputingHPC)领域的使用模式,不过多核心计算模式已经衍生繁复的数据处理集群服务器架构,高功耗负担也成为高性能数据处理中心亟待解决的课题。现今美国高速计算中心所耗费电力已经占整体美国使用电力的7%,其中3.5%是运用在散热方面,提升百倍运算意味着CPU预算的暴增,更不符经济效益。

Andy Keane指出,以工作站或数据中心高速计算应用为主的图形处理器GPU平台,在并行计算性能专精度和集群计算机网络多重应用上,往往比x86架构更具优势。NVIDIAGPU并行计算架构,晶体管密度高、多核扩充性强、具备高性能并行计算处理能力,且可带动影像解析软件开发,更为广泛的经济效益正在浮现。

Andy Keane深入分享表示,可扩充的GPU并行计算架构,能够运作异构筑(heterogeneous)串行化并行计算,同时可使用C语言编程,进一步提升计算性能。此外NVIDIA针对GPU所设计的并行计算编程环境CUDA,可用于WindowsLinux,能让应用程序在GPU上顺畅运行。Andy Keane强调,CPU60%的性能处理暂存内存,同时处理许多任务让CPU计算效能降低,GPU架构可迅速处理单一深度问题,可专门满足高速运算处理中心对于百倍以上的处理效能需求。GPU运算架构整合并行核心GPU和多核CPU,速度亦可大幅超越多核心系统,也能符合节能运作模式,4核心朝向240颗核心的高速运算架构也不是梦想,落实个人超级计算机(super-computing)以及高速运算工作站的条件也越来越成熟。

Andy Keane进一步表示, NVIDIA结合CUDA并行编程的GPU芯片,目前已出货超过一亿颗,其中运用在高速运算的Tesla芯片系列,在医学成像、分子动力学、视频编码、天体物理、金融财务、3D超音波、量子化学、基因排序、地质能源探勘等应用领域,分别达到17149倍不等的运算性能。针对HPC并行计算Telsa 10芯片,晶体管数达14亿颗,具有240个处理核心,浮点运算次数可达每秒10亿次,加上4GB的内存容量,处理效能为Tesla 8的一倍以上,可满足工作站、数据处理中心以及服务器中心在百倍高速运算处理的需求。

Andy Keane谈及GPU应用时表示,NVIDIA正积极深化GPU并行计算架构在图形分析和数据处理的市场影响力,将协助开拓高端物理分子动力学、地质勘探以及气象模拟等高速计算应用领域,强化数据中心高速计算机运算能力。NVIDIA同时密切与大学合作,进一步全面扩展使用GPU平台架构的生态体系。

 

文章评论