Podejście amerykańskie polega na wykorzystaniu dość prostych rdzeni obliczeniowych (CPU, czyli tradycyjnych procesorów), które są bardzo wydajnie i skalowalnie połączone ze sobą, przykładem są architektury IBM Blue Gene , natomiast podejście stosowane przez Chińczyków, m.in. w nowym Numero Uno świata superkomputerów, Tianhe 1A czy w poprzednim nr 2, Nebulae wykorzystuje dużą liczbę GPGPU, uniwersalnych jednostek GPU (koprocesorów graficznych). Cytując prof. Jarvisa:
Dyskusja "Czy kupić GPGPU czy BlueGene" to idealny przykład interesującej walki. Nikt nie jest pewien, który z projektów pozwoli nam dość do obliczeń eksaskalowych, następnego kamienia milowego w obliczeniach komputerowych 21 wieku, jednego tryliona operacji zmiennoprzecinkowych na sekundę (10^18). I to nie jest tylko decyzja dotycząca architektury - moc wymagana do zasilenia jednego z tych superkomputerów mogłaby zasilić małe miasteczko, a nawet gdyby wydać pieniądze i zbudować taki a następnie zasilić go, to i tak zaprogramowanie go jest niemożliwe.
Badania przeprowadzone przez prof. Jarvisa stosują modelowanie matematyczne do określenia, jakie problemy dotykające współczesnych superkomputerów są naistotniejsze. Pierwszym z nich jest fakt, że programiści mają problemy z wykorzystaniem nawet części mocy zapewnianej w teorii przez współczesne superkomputery. Problem ten jest dużo bardziej zauważalny przy komputerach opartych o procesory graficzne, takich jak chiński Tianhe-1A. Ma on teoretyczną wydajność szczytową 4,7 petaflopsów (biliardów operacji zmiennoprzecinkowych na sekundę - FLoating-point Operations Per Second), ale najlepsze programy na niego mogą wyciągnąć najwyżej 2,5 petaflopsów. Jak widać, duża część chińskiej superkomputerowej pary idzie w gwizdek. Dla porównania, amerykański BlueGene/P w Lawrence Livermore National Laboratory to niewielkie urządzenie mające maksymalną wydajność sprzętową 0,5 petaflopsa, ale programy mogą wykorzystać z tego 0,415 petaflopsa. Wynika to w dużej mierze z tego, że współczesne paradygmaty tworzenia programów oparte są cały czas o tradycję wykorzystywania procesorów, a nie kart graficznych.
Inny kluczowy problem to fakt, że twórcy nowych superkomputerów dążący do wykorzystania potężnych nowych GPU nie poświęcili wystarczających wysiłków do stworzenia technologii pozwalających na równoległe łączenie ich w naprawdę dużej skali. Modelowanie wykazało, że małe systemy oparte o GPU rozwiązują problemy od 3 do 7 razy szybciej niż tradycyjne systemy oparte o CPU, jednak kiedy zwiększa się liczbę połączonych ze sobą systemów przetwarzania, wydajność systemów opartych o GPU, jak chińskie Tianhe, rośnie dużo wolniej niż w urządzeniach opartych o masywnie połączone ze sobą CPU, takich jak BlueGene.
Cała praca ma zostać przedstawiona w dniu dzisiejszym na warsztatach PMBS 10 (Performance Modeling, Benchmarking and Simulation of High Performance Computing), poświęconych modelowaniu, testowaniu wzorcowemu i symulowaniu superkomputerów.
[via Science Daily ]
Leszek Karlik
