Supercomputing PCs

Überblick. In den letzten Jahren hat sich die Szene der Höchstleistungsrechner noch dramatischer gewandelt als der schon sehr turbulente allgemeine Computermarkt. Da die Chips moderner Grafikkarten heute über gigantische Rechenleistungen verfügen und an Transistorenzahl und Komplexität normale CPUs weit übersteigen macht es durchaus Sinn sehr rechenintensiven Anwendungen an die GPU auszulagern. Professionelle Anwender im Bereich der Medizin, Ölindustrie oder Geologie profitieren enorm von dieser Möglichkeit. Und genau auf diese Zielgruppe sind die neuen Supercomputing PCs ausgerichtet. Die Grafikkarte als Parallelcomputer > Warum GPU-Computing? >> Welche Lösungsansätze gibt es? >> Einsatzbereiche >>

Die Grafikkarte als Parallelcomputer. In der Vergangenheit wurde die Grafikkarte lediglich zur 2- oder 3 dimensionalen Darstellung genutzt. Die Berechnung der dargestellten Objekte erfolgte allerdings auf der CPU. Mit zunehmendem Anspruch an die Berechnungen ging man dazu über, die Berechnungen auf der Grafikkarte selbst durchzuführen. In den letzten Jahren haben wir ein enormes Interesse daran beobachten koennen die immense Rechenleistung parallel ausgelegter GPUs jenseits der Verarbeitung klassischer 3D-Grafik nutzen zu können. GPUs haben sich weit über die einfache Implementierung von Pipelines, die auf feste Funktionen beschränkt sind, hinaus entwickelt. Sie sind zu flexiblen, programmierbaren, vielfach parallelen Recheneinheiten geworden.

Zunehmend wurde deren Rechenleistung auch zur Lösung von allgemeinen numerischen Problemen eingesetzt. Waren hierfür anfangs noch sehr hardwarespezialisierte und allzu kreative Implementierungen notwendig, so konnten sich modernere Umsetzungen bereits auf abstrakte Parallelrechenmodelle wie das Stream-Processing stützen. Dieses fand weitgehende Übereinstimmungen mit der Grafikpipeline und wurde das grundlegende Modell der Wahl für Implementierungen auf einer GPU. Mit der Compute Unified Device Architecture (CUDA) von NVIDIA werden jedoch in Hard- und Software neue Möglichkeiten geboten, die das Stream-Processing als zu restriktiv erscheinen lassen.

Warum GPU-Computing?

Die moderne, programmierbare und flexible GPU ist eine der leistungsfähigsten Rechenapparate auf diesem Planet. Seit dem Jahr 2000 verarbeitet jeder individuelle Rechenkern einer GPU Daten mit IEEE-Gleitkomma-Präzision, genau wie herkömmliche CPUs (alias "echte Rechner"). Die rohe Floating-Point-Leistung einer modernen GPU ist jedoch wesentlich größer und wächst schneller als die der aktuellsten Multi-Core-CPUs. Eine Eigenschaft, die viel Aufmerksamkeit in der EDV-Gemeinschaft auf sich gezogen hat. Ja, es hat sich gar ein gänzlich neues Tätigkeitsfeld namens GPGPU (General Purpose Processing on GPU - Mehrzweck-Berechnungen auf einer GPU) gebildet, das das Verlangen

nach der Nutzung der ganzen GPU-Leistung für breiter gefächerte Anwendungen widerspiegelt. Dabei geht es nicht mehr um Grafik, sondern um reine Rechenleistung, wie sie im professionellen Bereich zur Berechnung von Simulationen und Modellberechnungen benötigt wird.

Das aktuelle TESLA 1070 System verfügt über 960 Prozessorkerne und liefert bis zu vier Teraflops Rechenleistung in einem hochdichten 1U-System.

Ist ein derartiges Level an Parallelisierung und Durchsatz auf Dual- oder Quad-Core-CPUs vorstellbar? Nein, ist es nicht!

Welche Lösungsansätze gibt es?

Es gibt diverse Möglichkeiten, ein GPU-Computing-System zu skalieren.

Die einfachste Möglichkeit ist die Verwendung mehrerer Grafikkarten in einem Rechner. Aktuelle Mainboards verfügen derzeit über bis zu 4 PCI Express 16x-Slots. Davon sind meistens zwei Slots mit voller Datentransferrate, die für den Einbau der Grafikkarten benötigt werden. Mehrere solcher Rechner können im Netzwerk relativ kostengünstig zu leistungsfähigen Rechenclustern zusammengeschlossen werden.

CUDA Workstation 1000W: bis zu zwei TESLA 1060 Karten bis zu zwei Teraflops Rechenleistung bis zu 480 Recheneinheiten (Cores) bis zu 8 GB Hauptspeicher und 8 GB Grafikspeicher bis zu 4 TB Festplattenspeicher

Eine weitere Möglichkeit der Skalierung liefern PCI Express-Switche zum kaskadierbaren Anschluss mehrerer Grafikkarten an einen einzigen PCI Express-Bus. Das Tesla S1070 System bringt in einer Höheneinheit 4 Tesla-Grafikkarten mit jeweils 1 Teraflop Single-Precision-Rechenleistung und insgesamt 16 GB Grafikspeicher unter. Mittels eines PCI Express-Switches sind die Karten über einen gemeinsamen PCI Express-Port von aussen erreichbar.

		Frontend System - CUDA Workstation 1000R: Rackmount 4U bis zu zwei Interface Cards fuer das Tesla 1070 System bis zu 8 GB Hauptspeicher
		Tesla 1070 System: bis zu vier Teraflops Rechenleistung in einem hochdichten 1U-System bis zu 960 Recheneinheiten (Cores) 16 GB Hochgeschwindigkeitsspeicher Liefert bis zu 408 GB/s Speicherbandbreite für extrem schnelle Datentransfers Highspeed-Datentransfer mit PCI-Express 2.0 Schienenmontage mit einer einzigen Schraub

Einsatzbereiche.

Mit den GPU Computing Produkten sollen Wissenschaftler in der Lage sein, größere Berechnungen durchzuführen. Die Produkte sind für Rendering, medizinische Forschung und komplexe Datenverarbeitung gedacht, da GPUs bei paralleler Verarbeitung von Daten wesentlich effektiver sind als Standard-Prozessoren. Geo-Wissenschaften, Molekular-Biologie oder medizinische Einrichtungen sind auf enorme Rechenleistungen für Simulationen angewiesen.

Ölfirmen können beispielsweise mit der GPU Computing Technologie komplexe geografische und seismische Analysen durchführen. Wettersimulationen sollen um den Faktor 50 beschleunigt werden.