面向大规模可移植性：GPU 加速浅水求解器的跨架构性能评估
分布式、并行与集群计算
2025-11-04 v1 性能
摘要
当前气候变化在数值建模领域提出了一大挑战，由于其复杂的多尺度动力学。在水文学建模中，对高分辨率、实时仿真日益增长的需求导致 GPU 加速平台和性能可移植编程框架如 Kokkos 的采用。在本工作中，我们对 SERGHEI-SWE 求解器进行了全面的性能研究，这是一个浅水方程代码，跨越四个最先进的异构 HPC 系统：Frontier（AMD MI250X）、JUWELS Booster（NVIDIA A100）、JEDI（NVIDIA H100）和 Aurora（Intel Max 1550）。我们评估了强缩放至 1024 个 GPU 和弱缩放至 2048 个 GPU 以上的规模，显示出与速度提升 32 倍和效率超过 90% 相当的一致性可扩展性。Roofline 分析揭示了内存带宽是主要的性能瓶颈，关键求解器内核位于内存受限区域。为评估性能可移植性，我们应用了基于谐和算术均值的度量标准，并变化问题规模。结果表明，虽然 SERGHEI-SWE 在经调校的规模下（<70%）实现了跨设备的可移植性，但求解器内部仍有内核优化的空间，通过使用 Kokkos 团队和特定于架构的可调参数实现更细粒度的控制。这些发现将 SERGHEI-SWE 定位为一个稳健、可扩展且可移植的大规模地理物理应用仿真工具，旨在应对不断演变的 HPC 架构，潜在提升其性能。
引用
@article{arxiv.2511.01001,
title = {Towards Portability at Scale: A Cross-Architecture Performance Evaluation of a GPU-enabled Shallow Water Solver},
author = {Johansell Villalobos and Daniel Caviedes-Voullième and Silvio Rizzi and Esteban Meneses},
journal= {arXiv preprint arXiv:2511.01001},
year = {2025}
}
备注
Conference: SBAC-PAD 2025