Some technological aspects of GPGPU applications in applied program systems

Authors

  • M.R. Galimov
  • E.V. Biryaltsev

Keywords:

high performance computing
parallel computing
GPGPU
Multi-GPU
microseisms

Abstract

The problem of natural microseismic field analysis is considered. The performance of GPGPU technology is estimated when using single or multiple GPUs and various programming technologies, such as CUDA, JCuda and OpenCL. A comparison is made with the performance of the distributed memory cluster MVS-100K. The influence of several CUDA optimization techniques is estimated. The performance of a GPU cluster is studied with the use of several interprocessor communication technologies (MPI, MPJ, GridGain).

New computational technologies

Downloads

Published

2010-09-30

Issue

Vol. 11 (2010): Issue 3.

Section

Section 2. Programming

Author Biographies

M.R. Galimov

Institute of Mechanics and Engineering - Subdivision of «Kazan Scientific Center of RAS»
2/31, Lobachevsky str., Kazan, 420111, Russia
• Senior Researcher

E.V. Biryaltsev

Kazan Federal University,
Chebotarev Institute of Mathematics and Mechanics
• Head of Laboratory

References

  1. Гужва А.Г., Доленко С.А., Персианцев И.Г. Многократное ускорение нейросетевых вычислений с использованием видеоадаптера // XI Всероссийская научная конференция «Нейроформатика-2009». Cб. науч. трудов. Москва, МИФИ, 2009. 126-133.
  2. Перепелкин Е.Е., Смирнов В.Л., Ворожцов С.Б. Использование технологии NVIDIA CUDA при моделировании динамики пучка в ускорителях заряженных частиц // Вестник Российского университета дружбы народов. Серия: Математика, информатика, физика. 2010. № 1. 76-82.
  3. Danalis A., Marin G., McCurdy C., et al. The Scalable HeterOgeneous Computing (SHOC) benchmark suite // Proc. of the Third Workshop on General-Purpose Computation on Graphics Processors (GPGPU 2010). Pittsburgh, 2010.
  4. Демидов Д.Е., Егоров А.Г., Нуриев А.Н. Решение задач вычислительной гидродинамики с применением технологии NVIDIA CUDA // Учен. записки Казанского гос. ун-та. Серия физ.-матем. науки. 2010. 152, кн. 1. 142-154.
  5. Деменков П.С., Иванисенко В.А. Применение графических ускорителей для решения задачи раскладки графа // Математика в приложениях. Всероссийская конференция, приуроченная к 80-летию академика С. К. Годунова (Новосибирск, 20-24 июля 2009 г.). Тез. докладов. Новосибирск: Ин-т математики СО РАН, 2009. 100-101.
  6. Вишневский О.В., Лаврентьев М.М., Романенко А.А. Применение графических ускорителей для выявления вырожденных олигонуклеотидных мотивов в регуляторных районах генов эукариот // Математика в приложениях. Всероссийская конференция, приуроченная к 80-летию академика С. К. Годунова (Новосибирск, 20-24 июля 2009 г.). Тез. докладов. Новосибирск: Ин-т математики СО РАН, 2009. 62-63.
  7. Боярченков А.С., Поташников С.И. Использование графических процессоров и технологий CUDA для задач молекулярной динамики // Вычислительные методы и программирование. 2009. 10, № 1. 13-27.
  8. Yokota R., Narumi T., Sakamaki R., et al. Fast multipole methods on a cluster of gpus for the meshless simulation of turbulence // Computer Physics Communications. 2009. 180, № 11. 2066-2078.
  9. Гогоненков Г.Н. Изучение детального строения осадочных толщ сейсморазведкой. Москва: Недра, 1987.
  10. Тульчинский П.Г. Трассировка луча по конечноразностной двумерной сейсмической модели // Компьютерная математика. 2009. № 1. 29-36.
  11. Abdelkhalek R., Calendra H., Coulaud O., et al. Fast seismic modeling and reverse time migration on a gpu cluster // High Performance Computing and Simulation. Leipzig, 2009. 36-44.
  12. Michea D., Komatitsch D. Accelerating a three-dimensional finite-difference wave propagation code using GPU graphics cards // Geophysical J. International. 2010. 182, № 1. 389-402.
  13. Komatitsch D., Erlebacher G., Goddeke D., Michéa D. High-order finite-element seismic wave propagation modeling with mpi on a large gpu cluster // J. of Computational Physics. 2010. 229. 7692-7714.
  14. Бережной Д.В., Биряльцев Е.В., Биряльцева Т.Е. Анализ спектральных характеристик микросейсм как метод изучения структуры геологической среды // НИИ математики и механики Казанского ун-та. 2003-2007 гг. Казань: Изд-во Казанск. гос. ун-та, 2008. 360-386.
  15. Baskaran M.M., Bordawekar R. Optimizing sparse matrix-vector multiplication on GPUs: IBM Research Report RC24704 (W0812-047). IBM, 2008.
  16. Williams S., Oliker L., Vuduc R., et al. Optimization of sparse matrix-vector multiplication on emerging multicore platforms // SC’07: Proc. of the 2007 ACM/IEEE Conference on Supercomputing. New York: ACM, 2007. 1-12
    doi 10.1145/1362622.1362674
  17. Nickolls J., Buck I., Garland M., Skadron K. Scalable parallel programming with cuda // Queue. 2008. 6, № 2. 40-53
    doi 10.1145/1365490.1365500
  18. Yan Y., Grossman M., Sarka V. JCUDA: a programmer-friendly interface for accelerating Java programs with CUDA // Proc. of the 15th International Euro-Par Conference on Parallel Processing. Delft, 2009. 5704. 887-899.
  19. Боресков А.В., Харламов А.А. Основы работы с технологией CUDA. Москва: ДМК Пресс, 2010.
  20. NVIDIA CUDA Programming guide. 2009. Version 2.3.
  21. Fan Z., Qiu F., Kaufman A., Yoakum-Stover S. GPU cluster for high performance computing. 2004 // (http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1392977).
  22. Goddeke D., Strzodka R., Mohd-Yusof J., et al. Using GPUs to improve multigrid solver performance on a cluster // International J. of Computational Science and Engineering. 2008. 4. 36-55.
  23. Baker M., Carpenter D. MPJ: A proposed Java Message-Passing API and environment for high performance computing // The 2nd Java Workshop at IPDPS 2000. Cancun, 2000. 552-559.
  24. Shafi A., Manzoor J. Towards efficient shared memory communications in MPJ express // 2009 IEEE Int. Symposium on Parallel&;Distributed Processing. Washington: IEEE Computer Society, 2009. 5704. 1-7.
  25. Харламов Д. GridGain - грид уровня предприятия // GridGain Systems. 2008 (www.gridgain.com).
  26. Bell N., Garland M. Efficient sparse matrix-vector multiplication on CUDA. NVIDIA Technical Report NVR-2008-004. NVIDIA Corporation, 2008.
  27. NVIDIA’s Next Generation CUDA Compute Architecture: Fermi. NVIDIA Corporation, 2009.