在 NVIDIA V100 GPU 上通过 8 步达到 3.7 TFLOP/s：Roofline 分析与其他技巧

性能优化可能是一项艰巨的任务，尤其是当硬件架构变得越来越复杂时。本文取自材料科学代码 BerkeleyGW 中的一个核函数，并展示若干性能分析与优化技术。尽管面临高寄存器用量、低占用率、复杂数据访问模式以及若干长延迟指令等挑战，我们通过在 NVIDIA V100 GPU 上采用 8 个优化步骤，实现了 3.7 TFLOP/s 的双精度性能。这相当于标称频率 1312 MHz 下理论峰值 6.7 TFLOP/s 的 55%，以及基于我们 58% FMA 比率的更定制化峰值 5.3 TFLOP/s 的 70%。文中展示了一系列用于分析此 OpenACC 核函数并优化其性能的技术，包括使用分层 Roofline 性能模型和性能工具 Nsight Compute。该核函数展现出的计算特征在许多高性能计算（HPC）应用中常见，预计对广大 HPC 开发者和计算科学家在 NVIDIA GPU 上追求更高性能时非常有帮助。