关于一种缓存无感知的基于任务的双曲型偏微分方程求解器的能量和深度记忆行为的研究
摘要：使用ExaHyPE引擎进行地震模拟的性能行为研究，特别关注内存特性和能源需求。ExaHyPE将动态自适应网格细化（AMR）与ADER-DG相结合。它使用任务进行并行化，并具有高缓存效率。AMR加上ADER-DG产生高度动态的任务图，其中包括计算昂贵的任务和挑战内存延迟的任务。这些昂贵的任务以及整个代码都受益于AVX矢量化，尽管我们遭受了内存访问突发的困扰。芯片频率降低可以提高代码的能源效率，然而，它并不能缓解突发效应。一旦我们添加Intel Optane技术、显著增加核心数量或使单个计算密集型任务不再接近缓存，突发现象的延迟惩罚就会变得更糟。用于隐藏这些延迟惩罚的线程负载过多对非包容性缓存是有害的，因为它会破坏缓存和矢量化特性。在内存密集型和计算密集型任务重叠的情况下，ExaHyPE的缓存无关实现可以有效地利用深、非包容性、异构的内存，因为主内存缺失不频繁，只会轻微降低少数核心的速度。因此，我们建议未来支持具有动态、不均匀的任务图的超级计算模拟代码，通过线程运行时在混合不同计算特性的任务中进行积极支持，并建议未来硬件积极允许代码降低运行特定任务类型的核心频率。
作者：Dominic E. Charrier, Benjamin Hazelwood, Ekaterina Tutlyaeva, Michael Bader, Michael Dumbser, Andrey Kudryavtsev, Alexander Moskovsky, Tobias Weinzierl
论文ID：1810.03940
分类：Mathematical Software
分类简称：cs.MS
提交时间：2019-06-18