Optimization and application of GPU calculations in material science

• Autorzy: Korpała G. , Kawalla R.

Warianty tytułu

PL

Optymalizacja i zastosowanie obliczeń na procesorach GPU w inżynierii materiałowej

• Języki publikacji: EN

Abstrakty

EN

Modern Graphic Processing Units (GPU) provide in combination with a very fast Video Random Access Memory (VRAM) very high computational procedure, outrunning the conventional combination of a Central Processing Unit (CPU) and Random Access Memory (RAM) in terms of parallel computing and calculation. Within this work a concept for parallel application of the CPU/GPU is presented which combines the approach for processing and managing of large amounts of data. The computer algebra system (CAS) Wolfram Mathematica is used for numerical calculation of a large Finite Difference Model (FDM). The CUDA-link feature of Mathematica was used to achieve a parallel working environment with a parallelized computation on available CPUs with a parallelization of calculations of Nvidia GPUs at the same time. An advanced desktop computer system was setup to use a high-end desktop CPU in combination with four TITAN GK110 Kepler GPUs from Nvidia. It will be shown, that the calculation time can be reduced by using shared-memory and an optimization of the used block and/or register size to minimize data communication between GPU and VRAM. Results for diffusion, stress field and deformation field for a deformation sample will be shown, which is numerically calculated from crystal plasticity, with over four million of FDM elements being calculated by each of the four used graphic cards. It will be clearly shown, that the overall calculation time is strongly depending on the storage time for the amount of data, both for the final result and as for the intermediate results for the different numerical increments. Nevertheless, a promising application of parallel computing for research in the field of materials science is presented and investigated, showing the possibilities for new approaches and/or more detailed calculations in a reasonable time.

PL

Nowoczesne procesory graficzne (GPU) w połączeniu z bardzo szybką pamięcią typu VRAM stanowią wysoko wydajne obliczeniowo narzędzie, które w aspekcie obliczeń równoległych wyprzedza znacznie konwencjonalną centralną jednostkę obliczeniową (CPU) z pamięcią RAM. W pracy przedstawiona została koncepcja aplikacji wykonującej obliczenia równoległe na proce¬sorach CPU/GPU, która może przetwarzać i zarządzać dużą ilością danych. Wykorzystano środowisko obliczeniowe CAS Wolfram Mathematica do rozwiązywania dużych modeli metodą różnic skończonych (FDM) oraz funkcjonalność Mathematici CUDA-link do równoczesnego zrównoleglenia obliczeń na procesorach CPU i Nvidia GPU. Na tej podstawie opracowano zaawansowany system komputerowy pozwalający na obliczenia na pro¬cesorze CPU w połączeniu z czterema procesorami TITAN GK110 Kepler GPU firmy Nvidia. Pokazano, że czas obliczeń został zredukowany przy wykorzystaniu pamięci dzielonej i optymalizacji bloku lub rozmiaru rejestru, w celu minimalizacji przesyłu danych pomiędzy GPU i VRAM. Przedstawiono wyniki dla dyfuzji, pola naprężeń i pola odkształceń dla odkształconej, przykładowej próbki, otrzymane z modelu plastyczności kryształu z ponad czterema milionami elementów FDM, dla których obliczenia wykonywano na czterech kartach graficznych. Przeprowadzone obliczenia jasno pokazały, że całkowity czas obliczeń jest silnie zależny od czasu dostępu do pamięci dla danych, zarówno w aspekcie otrzymania wyników końcowych, jak i wyników pośrednich dla różnych kroków czasowych. Niemniej jednak w pracy przedstawiono obiecujące wyniki badań nad zastosowaniem obliczeń równoległych w dziedzinie inżynierii materiałowej, pokazując możliwości wykorzystania nowych metod i bardziej dokładnych obliczeń w akceptowalnym czasie.

Słowa kluczowe

EN

GPU computation; numerical simulation; memory management; GeForce GTX TITAN; crystal plasticity

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2015
• Tom: Vol. 15, No.1
• Strony: 185--191
• Opis fizyczny: Bibliogr. 6 poz., rys.

Twórcy

autor

Korpała G.

• Institute of Metal Forming, Technische Universität Bergakademie Freiberg, Bernhard-von-Cotta-Str.4 D-09599 Freiberg, Germany

autor

Kawalla R.

• Institute of Metal Forming, Technische Universität Bergakademie Freiberg, Bernhard-von-Cotta-Str.4 D-09599 Freiberg, Germany

Bibliografia

• Mujahid, S.A., Bhadeshia, H.K.D.H., 1992, Partitioning of Carbon from Supersaturated Ferrite Plates, Acta Metall Mater, 40, 389-396.
• Patankar, S.V., 1980, Numerical Heat Transfer and Fluid Flow, CRC Press.
• Sanders, J., Kandrot, E., 2010, CUDA by Example: An Introduction to General-Purpose GPU Programming 1st, Addison-Wesley Professional.
• Tariq, S., 2011, An Introduction to GPU Computing and CUDA Architecture, NVIDIA Corporation, http://on-demand. gputechconf.com/gtc-express/2011 /presentations/ GTCExprcssSarah Tariq_June2011 .pdf (access: October 2014).
• Wilkins, M. L., 1999, Computer Simulation of Dynamic-Phenomena, Springer-Verlag, Berlin.
• Woolley, C, 2013, GPU Optimization Fundamentals, NVIDIA, https://www.olcf.ornl.gov/ wp-content/uploads/2013/02/ GPU_Opt_Fund-CWl .pdf (access: November 2014).