Recommended
More Related Content
Similar to [SLIDE]Modellazione della dinamica di un liquido bifase mediante GPU CUDA
Similar to [SLIDE]Modellazione della dinamica di un liquido bifase mediante GPU CUDA (20)
[SLIDE]Modellazione della dinamica di un liquido bifase mediante GPU CUDA
- 1. UNIVERSITA’ DEGLI STUDI DI TRIESTE Facoltà di Ingegneria Corso di Studi in Ingegneria dell’Informazione MODELLAZIONE DELLA DINAMICA DI UN LIQUIDO BIFASE MEDIANTE GPU CUDA Tesi di Laurea Triennale Laureanda: Relatori: Alessandra LADERCHI prof. Claudio CHIARUTTINI prof. Gianni SCHENA A.A. 2010-2011
- 2. OBBIETTIVO Il riadattamento su GPU con architettura CUDA di un codice scritto in Matlab per la simulazione della dinamica di due fluidi immiscibili.
- 4. GPU Graphics Processing Units E’ l’unità di eleaborazione delle schede grafiche e quindi è ottimizzato per la resa grafica di immagini.
- 5. GPU Architettura di tipo SIMD (Single Instruction, Multiple Data) CPU GPU
- 6. CALCOLO PARALLELO Consiste nell’esecuzione dello stesso codice su più unità di calcolo contemporaneamente, in modo tale da migliorare le prestazioni del sistema in termini di tempo e sfruttamento delle risorse disponibili.
- 7. GPGPU General-Purpose computing on Graphics Processing Units E’ una tecnica di programmazione che consiste nell’utilizzare la GPU per l’esecuzione di un programma di natura non grafica, in modo tale da sfruttare iI vantaggi della parallelizzazione.
- 8. CUDA Compute Unified Device Architecture E’ un’architettura hardware incentrata sul calcolo parallelo e rivolta in particolare alla programmazione general-purpose, supportata da un ambiente di sviluppo indirizzato a semplificare il lavoro dei programmatori.
- 9. ARCHITETTURA CUDA Uno o più multiprocessori contenenti decine di unità di calcolo (CUDA core). Tutti i multiprocessori hanno accesso alla memoria globale e ognuno ha al suo interno degli spazi di memoria privati.
- 10. PARALLELISMO IN CUDA Viene implementato attraverso la suddivisione di ogni processo in sotto- processi, o thread , eseguibili in parallelo. I thread possono essere raggruppati in blocchi, che a loro volta possono essere raggruppati in griglie. Ogni microprocessore può eseguire fino a un certo numero di thread contemporaneamente. Questo gruppo di thread è chiamato warp.
- 12. TIPI DI MEMORIA Registri: R/W, per ogni thread, latenza molto bassa. Locale: R/W, per ogni thread, alta latenza, supporto ai registri. Condivisa: R/W, per ogni blocco, bassa latenza. Globale: R/W, per tutti i blocchi, latenza molto alta.
- 13. TIPI DI MEMORIA Costante: R/O, per tutti i blocchi, caricata in cache, bassa latenza se tutti i thread di un warp accedono allo stesso dato. Texture: R/O, per tutti i blocchi, caricata in cache, bassa latenza se sfruttata la località spaziale.
- 15. CUDA C Per programmare in CUDA si può utilizzare il classico C/C++ con l’aggiunta di funzioni specifiche per l’esecuzione del codice sulla GPU. Questo insieme di C/C++ e funzioni specifiche viene chiamato CUDA C.
- 16. KERNEL Sono funzioni che, quando invocate, vengono eseguite N volte in parallelo sulla GPU da N differenti thread. Dichiarazione: kernel<<<gridDim,blockDim>>>(param 1,.., param n);
- 17. CARATTERISTICHE KERNEL • devono avere void come tipo di ritorno (quindi non devono tornare alcun valore); • non possono essere ricorsivi; • non possono avere un numero di parametri variabile; • non possono usare variabili di tipo statico; • possono accedere solo alla memoria della GPU.
- 19. DECOMPOSIZIONE SPINODALE E’ un meccanismo per il quale una miscela di due componenti si separa in due distinte regioni (o fasi).
- 20. METODI RETICOLARI DI BOLTZMANN Sono algoritmi utilizzati per la simulazione della dinamica di fluidi, basati sulla discretizzazione delle posizioni assumibili dalle particelle in moto.
- 21. FASI DELLA DINAMICA Propagazione: le particelle di fluido si spostano verso le posizioni adiacenti, lungo le direzioni. Collisione: le particelle arrivate in un nodo evolvono verso uno stato di equilibrio. Ricolorazione: le particelle all’interno delle zone di contatto tra i due fluidi vengono redistribuite lungo le direzioni, in modo tale da spingerle verso particelle dello stesso fluido.
- 22. CODICE Il codice prodotto in CUDA contiene 5 kernel. I primi 4 eseguono i calcoli relativi ad ogni pixel delle immagini, mentre l’ultimo ne assegna la colorazione per la resa grafica. La divisione dei kernel è risultata necessaria per evitare dipendenze WAW, RAW o WAR.
- 24. AMBIENTE DI LAVORO Hardware: - Scheda grafica NVIDIA GeForce GTX 460 (costo:200euro nel 2010) - Processore Intel Core i7 X990 (costo: 1000euro 6 mesi fa) Software: - Sistema operativo Windows 7 Enterprise, 64-bit - CUDA Toolkit 4.1 - NVIDIA Driver 295.73
- 25. TEST
- 26. CONCLUSIONI Com’era prevedibile, i test riguardanti il confronto tra il codice scritto in Matlab eseguito su una CPU e il corrispettivo in CUDA, hanno mostrato una netta superiorità del secondo rispetto al primo. Altri test sulla variazione del numero di thread hanno mostrato che andando ad eccedere sempre più nel numero di blocchi rispetto al numero di CUDA core disponibili, avviene un rallentamento nell’esecuzione, in quanto rimangono troppi thread in attesa. I test sulla scalabilità hanno mostrato, invece, che non è possibile aumentare di molto la dimensione del modello. Questo probabilmente dovuto alla situazione di divergenza che si viene a creare nel kernel di ricolorazione e alla mancanza di ottimizzazione delle risorse che CUDA mette a disposizione, in particolare le diverse memorie.