从基于任务的GPU工作聚合到恒星并合：将细粒度CPU任务转化为可移植GPU核函数
分布式、并行与集群计算
2023-03-07 v2
摘要
满足可扩展性和性能可移植性要求对任何HPC应用都是一项挑战，尤其是对于自适应加密细化（AMR）的应用。在Octo-Tiger（一个用于模拟恒星并合的天体物理应用）中，我们通过现有方案应对这一挑战：我们采用HPX获得细粒度任务，以便轻松分配工作并精细重叠通信与计算。对于计算本身，我们使用Kokkos将这些任务转化为能够在从少量CPU核心到强大加速器的硬件上运行的 compute 核函数。然而，存在一个缺失环节：虽然HPX暴露的细粒度并行性有利于可扩展性，但当任务过小而无法饱和设备时，会阻碍GPU性能，导致资源利用率低下。为弥补这一差距，我们在Octo-Tiger中研究了多种不同的GPU工作聚合策略，新增了一种策略，并评估了其在近期AMD和NVIDIA GPU上的节点级性能影响，获得了显著的加速。
引用
@article{arxiv.2210.06438,
title = {From Task-Based GPU Work Aggregation to Stellar Mergers: Turning Fine-Grained CPU Tasks into Portable GPU Kernels},
author = {Gregor Daiß and Patrick Diehl and Dominic Marcello and Alireza Kheirkhahan and Hartmut Kaiser and Dirk Pflüger},
journal= {arXiv preprint arXiv:2210.06438},
year = {2023}
}