性能可移植性解决方案在GPU和众核CPU上应用于轨迹重建核
加速器物理
2024-01-26 v1
摘要
下一代高能物理实验面临巨大的计算挑战，包括数据量和处理能力。使用GPU等计算加速器是提供必要计算能力以应对挑战的有前景的方法之一。当前计算加速器的编程模型通常涉及使用硬件供应商推广的特定架构编程语言，从而限制了代码可运行的平台集合。对于高能物理社区来说，开发受平台限制的软件尤其不可行，因为将典型的高能物理算法转换为适用于计算加速器的算法需要大量努力。最近出现了多种性能可移植性解决方案，为使用计算加速器提供了替代途径，允许代码在不同供应商的硬件上执行。我们在从mkFit项目中提取的两个小型应用p2z和p2r上应用了多种可移植性解决方案，如Kokkos、SYCL、C++17 std::execution::par和Alpaka。这些应用包括卡尔曼滤波轨迹拟合的基本核，例如分别针对固定z或固定r位置探测器的轨迹参数传播和更新。这两个小型应用探索了不同的内存布局格式。我们报告了不同可移植性解决方案的开发经验，以及它们在GPU和众核CPU上的性能，通过来自不同GPU和CPU供应商（如NVIDIA、AMD和Intel）的核的吞吐量来衡量。
引用
@article{arxiv.2401.14221,
title = {Application of performance portability solutions for GPUs and many-core CPUs to track reconstruction kernels},
author = {Ka Hei Martin Kwok and Matti Kortelainen and Giuseppe Cerati and Alexei Strelchenko and Oliver Gutsche and Allison Reinsvold Hall and Steve Lantz and Michael Reid and Daniel Riley and Sophie Berkman and Seyong Lee and Hammad Ather and Boyana Norris and Cong Wang},
journal= {arXiv preprint arXiv:2401.14221},
year = {2024}
}
备注
26th Intl Conf Computing High Energy & Nuclear Phys (CHEP 2023)