]> AND Private Git Repository - book_gpu.git/blob - BookGPU/Chapters/chapter15/ch15.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
nw
[book_gpu.git] / BookGPU / Chapters / chapter15 / ch15.tex
1 \chapterauthor{Pierre Fortin}{Laboratoire d'Informatique de Paris 6, University Paris 6}
2 \chapterauthor{Rachid Habel}{T\'el\'ecom SudParis}
3 \chapterauthor{Fabienne J\'ez\'equel}{Laboratoire d'Informatique de Paris 6, University Paris 6}
4 \chapterauthor{Jean-Luc Lamotte}{Laboratoire d'Informatique de Paris 6, University Paris 6}
5 \chapterauthor{Stan Scott}{School of Electronics, Electrical Engineering \& Computer Science,
6 The Queen's University of Belfast}
7
8 %\newcommand{\fixme}[1]{{\bf #1}}
9
10 \chapter[Numerical validation and performance optimization on GPUs in atomic physics]{Numerical validation and performance optimization on GPUs of an application in atomic physics} 
11 \label{chapter15}
12
13 \section{Introduction}\label{ch15:intro}
14 As described in Chapter~\ref{chapter1}, GPUs are characterized by hundreds 
15 of cores and theoretically perform one order of magnitude better than CPUs.  
16 An important factor to consider when programming on GPUs
17  is the cost of
18 data transfers between CPU memory and GPU memory. Thus, to have good
19 performance on
20 GPUs, applications should be coarse-grained and have a high arithmetic
21 intensity 
22 ($i.e.$ the ratio of arithmetic operations to memory operations). 
23 Another important aspect of GPU programming is that floating-point
24 operations are preferably performed in single precision\index{precision!single precision}, if the
25  validity of results is not impacted by that format.   
26 The GPU compute power for floating-point operations is indeed greater in
27 single precision\index{precision!single precision} than in double precision\index{precision!double precision}.  
28 The peak performance ratio between single precision\index{precision!single precision} and double
29 precision varies for example for NVIDIA GPUs from $12$ for the first Tesla
30 GPUs (C1060), 
31 to $2$ for the Fermi GPUs (C2050 and C2070)  
32 and to $3$ for the latest Kepler architecture (K20/K20X).  
33 As far as AMD GPUs are concerned, the latest AMD GPU (Tahiti HD 7970)
34 presents a ratio of $4$.  
35 Moreover, GPU internal memory accesses and CPU-GPU data transfers are
36 faster in single precision\index{precision!single precision} than in double precision\index{precision!double precision},  
37 because of the different format lengths. 
38
39 This chapter describes the deployment on GPUs of PROP, a program of the
40 2DRMP~\cite{FARM_2DRMP,2DRMP} suite which models electron collisions
41 with H-like atoms and ions at intermediate energies. 2DRMP operates successfully on serial
42 computers, high performance clusters and supercomputers.  The primary
43 purpose of the PROP program is to propagate a global
44 R-matrix~\cite{Burke_1987}, $\Re$, in the two-electron configuration
45 space.
46 The propagation needs to be performed for all collision energies, 
47 for instance hundreds of energies,
48 which are independent.
49 Propagation equations are dominated by matrix multiplications involving sub-matrices of $\Re$.
50 However, the matrix multiplications are not
51 straightforward in the sense that $\Re$ dynamically changes the designation of its rows and
52 columns and increases in size as the propagation proceeds \cite{VECPAR}.
53
54 In a preliminary investigation PROP was selected by GENCI\footnote{GENCI: Grand Equipement National
55   de Calcul Intensif, \url{www.genci.fr}} and
56 CAPS\footnote{CAPS is a software company providing products and solutions
57   for manycore application programming and deployment,
58   \url{www.caps-entreprise.com}},
59 following their first call for projects in 2009-2010 
60 aimed at
61 deploying applications on hybrid systems based on GPUs.
62 First CAPS  
63 recast the propagation equations with larger matrices.  
64 For matrix products the GPU performance gain over CPU increases indeed 
65 with the matrix size, since the 
66 CPU-GPU transfer overhead becomes less significant and since CPUs are
67 still more efficient for fine computation grains. 
68 Then, using HMPP\index{HMPP}\footnote{
69 HMPP or {\em CAPS compiler}, see: \url{www.caps-entreprise.com/hmpp.html}},
70 a commercial 
71 hybrid and parallel compiler, CAPS 
72 developed a version of PROP, in
73 which matrix multiplications are performed on
74 the GPU or the CPU, depending on the matrix size.
75 Unfortunately this partial GPU implementation of PROP does not offer
76 significant acceleration. 
77
78 The work described in this chapter, which is based on a study presented in \cite{PF_PDSEC2011}, aims at 
79  improving PROP performance on 
80 GPUs by exploring two directions. First, because the original version of PROP is written
81 in double precision\index{precision!double precision}, 
82 we study the numerical stability of PROP in single precision\index{precision!single precision}. 
83 Second, we deploy  the whole
84 computation code of PROP on
85 GPUs to avoid the overhead generated by
86 data transfers 
87 and we propose successive improvements
88 (including a specific one to the Fermi architecture) 
89 in order to optimize the GPU code.
90
91
92
93
94 \section{2DRMP and the PROP program}
95 \label{s:2DRMP_PROP}
96 \subsection{Principles of R-matrix propagation}
97 2DRMP~\cite{FARM_2DRMP,2DRMP} is part of the CPC library\footnote{CPC:
98 Computer Physics Communications, 
99 \url{http://cpc.cs.qub.ac.uk/}}.  
100 It is a suite of seven 
101 programs aimed at creating virtual experiments on high performance and grid
102 architectures to enable the study of electron scattering from H-like
103 atoms and ions at intermediate energies.  The 2DRMP suite  uses the
104 two-dimensional $R$-matrix propagation approach~\cite{Burke_1987}. 
105 In 2DRMP the two-electron configuration  space  ($r_1$,$r_2$) is
106 divided into sectors. 
107 Figure~\ref{prop} shows the division of the two-electron configuration
108 space ($r_1$,$r_2$) into 4 vertical $strips$ representing 10 $sectors$. 
109 The key computation in 2DRMP, performed by the PROP program, is the
110 propagation of a global 
111 $R$-matrix, $\Re$, from sector to sector across the internal region, as shown in Fig.~\ref{prop}. 
112
113 \begin{figure}[h]
114 \begin{center}
115 \includegraphics*[width=0.65\linewidth]{Chapters/chapter15/figures/prop.pdf} 
116 \caption{\label{prop} Subdivision of the configuration space 
117 ($r_1$,$r_2$) into a set of connected sectors.}
118 \end{center}
119 \end{figure}
120
121 \begin{figure}[h]
122 \begin{center}
123 \includegraphics*[width=0.8\linewidth]{Chapters/chapter15/figures/Domain.pdf} 
124 \caption{\label{domain} Propagation of the R-matrix from domain D to domain D'.}
125 \end{center}
126 \end{figure}
127
128 We consider the general situation in
129 Fig.~\ref{domain} where we assume that we already know
130 the global $R$-matrix, $\Re^{I}$, associated with the boundary defined
131 by edges 5, 2, 1 and 6 
132 in domain $D$ and we wish to
133 evaluate the new global $R$-matrix, $\Re^{O}$, associated with edges 5, 3, 4 and 6 
134 in domain $D'$ following propagation across subregion $d$.
135 Input edges are denoted by I (edges 1 and~2), output edges by O (edges 3 and 4) and
136 common edges by X (edges 5 and~6).
137 Because of symmetry, only the lower half of domains $D$ and $D'$ has to be considered. 
138 The global $R$-matrices, $\Re^{I}$ in domain $D$ and $\Re^{O}$ in
139 domain $D'$, can be written as:
140 \begin{equation}
141 \Re^{I} = \left(\begin{array}{cc}
142       \Re_{II}^{I} & \Re_{IX}^{I}\\
143       \Re_{XI}^{I} & \Re_{XX}^{I}
144     \end{array}\right) 
145 \ \
146 \Re^{O} = \left(\begin{array}{cc}
147       \Re_{OO}^{O} & \Re_{OX}^{O}\\
148       \Re_{XO}^{O} & \Re_{XX}^{O}
149     \end{array}\right).
150 \label{eq:RI_RO}
151 \end{equation}
152
153
154
155 From the set of local $R$-matrices, $\mathbf{R}_{ij}$ ($i,j\in \{1,2,3,4\}$)
156 associated 
157 with subregion $d$, we can define
158 \begin{subequations}
159 \begin{eqnarray}
160     \mathbf{r}_{II} = \left(\begin{array}{cc}
161       \mathbf{R}_{11} & \mathbf{R}_{12}\\
162       \mathbf{R}_{21} & \mathbf{R}_{22}
163     \end{array}\right), \label{eqaa} & 
164     \mathbf{r}_{IO} = \left(\begin{array}{cc}
165       \mathbf{R}_{13} & \mathbf{R}_{14}\\
166       \mathbf{R}_{23} & \mathbf{R}_{24}
167     \end{array}\right), \label{eqbb}\\
168     \mathbf{r}_{OI} = \left(\begin{array}{cc}
169       \mathbf{R}_{31} & \mathbf{R}_{32}\\
170       \mathbf{R}_{41} & \mathbf{R}_{42}
171     \end{array}\right), \label{eqcc} &
172    \mathbf{r}_{OO} = \left(\begin{array}{cc}
173       \mathbf{R}_{33} & \mathbf{R}_{34}\\
174       \mathbf{R}_{43} & \mathbf{R}_{44}
175     \end{array}\right),\label{eqdd}
176 \end{eqnarray}
177 \end{subequations}
178 where $I$ represents the input edges 1 and 2, and $O$ represents
179 the output edges 3 and 4 (see Fig.~\ref{domain}). 
180 The propagation across each sector is characterized by equations~(\ref{eq1}) to (\ref{eq4}).
181 \begin{subequations}
182 \begin{eqnarray}
183 \Re^{O}_{OO} &=& \mathbf{r}_{OO} - \mathbf{r}_{IO}^T (r_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO}, \label{eq1} \\
184 \Re^{O}_{OX} &=& \mathbf{r}_{IO}^T (\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\Re^{I}_{IX},  \label{eq2} \\
185    \Re^{O}_{XO} &=& \Re^{I}_{XI}(\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO},  \label{eq3} \\
186    \Re^{O}_{XX} &=& \Re^{I}_{XX} - \Re^{I}_{XI}(\mathbf{r}_{II} +\Re^{I}_{II})^{-1}\Re^{I}_{IX}. \label{eq4}
187 \end{eqnarray}
188 \end{subequations}
189
190 The matrix inversions are not explicitly performed. To compute
191 $(r_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO}$ and $(\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\Re^{I}_{IX}$,
192 two linear systems are solved.
193
194
195 \medskip
196
197 While equations (\ref{eq1})-(\ref{eq4}) can be applied to the
198 propagation across a general subregion two special situations should be
199 noted: propagation across a diagonal subregion and propagation across
200 a subregion bounded by the $r_{1}$-axis at the beginning of a new
201 strip.
202
203 In the case of a diagonal subregion, from symmetry considerations,
204 edge 2 is identical to edge 1 and edge 3 is identical to edge~4. 
205 Accordingly, with only one input edge and one output edge equations
206 (\ref{eqaa})-(\ref{eqdd}) become: 
207 \begin{subequations}
208 \begin{eqnarray}
209 \mathbf{r}_{II} = 2\mathbf{R}_{11}, \ 
210 \mathbf{r}_{IO} = 2\mathbf{R}_{14}, \label{eq4b}\\
211 \mathbf{r}_{OI} = 2\mathbf{R}_{41}, \ 
212 \mathbf{r}_{OO} = 2\mathbf{R}_{44}. \label{eq4d}
213 \end{eqnarray}
214 \end{subequations}
215 In the case of a subregion bounded by the $r_1$-axis at the beginning
216 of a new strip, we note that the input boundary $I$ consists of only
217 one edge. When propagating across the first subregion in the second
218 strip there is no common boundary $X$: in this case only equation
219 (\ref{eq1}) needs to be solved.
220
221 \medskip
222
223 Having obtained the global $R$-matrix $\Re$ on the boundary of the
224 innermost subregion (labeled $0$ in Fig.~\ref{prop}), $\Re$ is propagated across
225 each subregion in the order indicated in Fig.~\ref{prop},
226 working systematically from the
227 $r_1$-axis at the bottom of each strip across all subregions to the
228 diagonal. 
229
230
231
232 \subsection{Description of the PROP program}
233 \label{sec:PROP}
234
235 \begin{table}[t]
236 \begin{center}
237 \begin{tabular}{|c|c|c|c|c|c|}
238  \hline
239  \multirow{2}{0.09\linewidth}{\centering Data set} &
240  \multirow{2}{0.15\linewidth}{\centering
241   Local $R$-\\matrix size} &
242  \multirow{2}{0.07\linewidth}{\centering Strips} &
243  \multirow{2}{0.09\linewidth}{\centering Sectors} &
244  \multirow{2}{0.19\linewidth}{\centering Final global \\$R$-matrix size} &
245  \multirow{2}{0.15\linewidth}{\centering Scattering\\energies} \\
246   & & & & & \\
247   \hline
248   Small & 90x90  & 4 & 10 & 360x360 & 6\\
249  \hline
250   Medium  & 90x90  & 4 & 10 & 360x360 & 64\\
251  \hline
252   Large  & 383x383  & 20 & 210 &  7660x7660 & 6\\
253  \hline
254   Huge  & 383x383  & 20 & 210 &  7660x7660 & 64\\ \hline
255 \end{tabular}
256 \caption{\label{data-sets}Characteristics of four data sets}
257 \end{center}
258 \end{table}
259
260 The PROP program computes the propagation of the $R$-matrix across the sectors of the internal region.  
261 Table~\ref{data-sets} shows four different 
262 data sets used in this study and highlights the principal parameters of the PROP program. 
263  PROP execution can be described by Algorithm~\ref{prop-algo}. 
264 First, amplitude arrays and
265 correction data are read from data files generated by the preceding
266 program of the 2DRMP suite.  
267 Then, local $R$-matrices are constructed from amplitude arrays. 
268 Correction data is used to compute correction vectors added to the diagonal of the local 
269 $R$-matrices. The local $R$-matrices, together with the input $R$-matrix, 
270  $\Re^{I}$,
271 computed on the previous sector, are used to compute the current output
272 $R$-matrix, 
273 $\Re^{O}$. 
274  At the end of a sector evaluation,
275 the output $R$-matrix becomes  the input $R$-matrix 
276 for the next evaluation.  
277
278 %% \begin{algorithm}
279 %% \caption{\label{prop-algo}PROP algorithm}
280 %% \begin{algorithmic}
281 %% \FOR{all scattering energies}
282 %%  \FOR{all sectors}
283 %%  \STATE Read amplitude arrays
284 %%  \STATE Read correction data
285 %% \STATE Construct local $R$-matrices
286 %% \STATE From $\Re^{I}$ and local $R$-matrices, compute $\Re^{O}$
287 %% \STATE $\Re^{O}$ becomes $\Re^{I}$ for the next sector 
288 %%  \ENDFOR
289 %%  \STATE Compute physical $R$-Matrix 
290 %% \ENDFOR
291 %% \end{algorithmic}
292 %% \end{algorithm}
293
294 \begin{algorithm}
295 \caption{\label{prop-algo}PROP algorithm}
296 %\begin{algorithmic}
297 \For{all scattering energies} {
298  \For{all sectors}{
299   Read amplitude arrays\;
300   Read correction data\;
301   Construct local $R$-matrices\;
302   From $\Re^{I}$ and local $R$-matrices, compute $\Re^{O}$\;
303  $\Re^{O}$ becomes $\Re^{I}$ for the next sector\;
304  }
305  Compute physical $R$-Matrix \;
306 }
307 %\end{algorithmic}
308 \end{algorithm}
309
310
311 On the first sector, there is no input $R$-matrix yet. To bootstrap
312 the propagation, the first output $R$-matrix is constructed using only
313 one local $R$-matrix.  On the last sector, that is, on the boundary of
314 the inner region, a physical $R$-matrix corresponding to the output
315 $R$-matrix is computed and stored into an output file.
316
317 In the PROP program, sectors are characterized into four types,
318 depending on the computation performed: 
319 \begin{itemize}
320 \item the starting sector (labeled 0 in Fig.~\ref{prop})
321 \item the axis sectors (labeled 1, 3 and 6 in Fig.~\ref{prop})
322 \item the diagonal sectors (labeled 2, 5 and 9 in Fig.~\ref{prop})
323 \item the off-diagonal sectors (labeled 4, 7 and 8 in Fig.~\ref{prop}).
324 \end{itemize}
325
326
327 The serial version of PROP is implemented in Fortran~90 and uses
328 for linear algebra operations BLAS\index{BLAS} and LAPACK\index{LAPACK} routines
329 which are fully optimized for x86 architecture.
330 This 
331 program 
332 serially propagates the $R$-matrix for
333 all scattering energies. 
334 Since the propagations for these different 
335 energies are independent, there also 
336 exists an embarrassingly parallel version of 
337 PROP 
338 that spreads the computations of 
339 several energies
340 among multiple CPU nodes via  
341 MPI. 
342
343
344
345 \subsection{CAPS implementation}
346 \label{caps}
347
348 In order to handle larger matrices, and thus obtain better GPU  speedup, CAPS  
349 recast equations (\ref{eq1}) to (\ref{eq4}) into one equation.
350 The output $R$-matrix $\Re^{O}$ defined by equation~(\ref{eq:RI_RO}) is now computed as follows. 
351 \begin{equation}\label{eq_CAPS_1}
352 \Re^{O} = \Re^{O^{\ \prime}} + U A^{-1} V, 
353 \end{equation}
354 \begin{equation}\label{eq_CAPS_2}
355 {\rm with} \
356 \Re^{O^{\ \prime}}= \left(\begin{array}{cc}
357       \mathbf{r}_{OO} & 0\\
358       0 & \Re^I_{XX}    \end{array}\right), \
359 U= \left(\begin{array}{c}
360       \mathbf-{r}_{IO}^{T}\\
361       \Re^I_{XI}    \end{array}\right), 
362 \end{equation}
363 \begin{equation}\label{eq_CAPS_3}
364 A= \mathbf{r}_{II} + \Re^I_{II} \ {\rm and}  \
365 V= (\mathbf{r}_{IO}\ \ \ -\Re^I_{IX}).
366 \end{equation}
367
368 To compute $W=A^{-1}V$, no matrix inversion is performed. The matrix
369 system $AW=V$ is solved. 
370 This reimplementation of PROP reduces the number of equations to be
371 solved and the number of matrix copies for evaluating each sector.
372 For instance, for an off-diagonal sector, 
373 copies fall from 22 to 5, matrix multiplications from 4 to~1 and calls
374 to a linear equation solver from 2 to 1. 
375
376 To implement this version, CAPS 
377 used HMPP\index{HMPP}, a 
378 commercial hybrid and parallel compiler, 
379 based on compiler directives like the new OpenACC\index{OpenACC} standard\footnote{See: \url{www.openacc-standard.org}}.  
380 If the matrices are large enough (the limit sizes are experimental parameters), 
381 they are multiplied on the GPU, otherwise on the CPU. 
382 CAPS 
383  used the MKL BLAS\index{BLAS} implementation on an Intel Xeon
384 x5560 quad core CPU (2.8 GHz) 
385 and the CUBLAS\index{CUBLAS} library (CUDA 2.2) on one Tesla C1060 GPU. 
386 On the large data set (see Table~\ref{data-sets}), CAPS 
387  obtained a speedup of 1.15 for the GPU 
388 version over the CPU one (with multi-threaded MKL calls on the four
389 CPU cores). This limited gain in performance is mainly
390 due to the use of double precision\index{precision!double precision} computation 
391 and to the small or medium sizes of most matrices.
392 For these matrices, the computation gain on  
393 the GPU is indeed
394 strongly affected by the overhead 
395 generated by transferring these matrices from  
396 the CPU memory to the GPU memory to perform each matrix multiplication and then
397 transferring the result back to the CPU memory. 
398
399 Our goal is to speedup PROP more significantly by porting the whole
400 code to the GPU and therefore avoiding 
401 the 
402 intermediate data transfers between
403 the host (CPU) and the GPU. We will also study the
404 stability of PROP in single precision\index{precision!single precision} because 
405 single precision\index{precision!single precision} computation is faster on the GPU  
406 and CPU-GPU data transfers are twice as fast as those performed in
407 double precision\index{precision!double precision}. 
408
409
410
411 \section{Numerical validation\index{numerical validation} of PROP in single precision\index{precision!single precision}}
412 \label{single-precision}
413
414 \begin{comment}
415 \begin{table}[h]
416 \begin{center}
417 \begin{tabular}{|c|c|}
418   \hline
419    relative error interval & \# occurrences \\
420   \hline
421    [0, 1.E-8) & 18 \\
422   \hline
423    [1.E-8, 1.E-6) & 1241 \\
424   \hline
425    [1.E-6, 1.E-4) & 48728 \\
426   \hline
427    [1.E-4, 1.E-2) & 184065 \\
428   \hline
429    [1.E-2, 1) & 27723 \\
430   \hline
431    [1, 100) & 304 \\
432   \hline
433    [100, $+\infty$) & 1 \\
434   \hline
435 \end{tabular}
436 \end{center}
437 \caption{\label{sp-distrib}Error distribution for medium case in single precision\index{precision!single precision}}
438 \end{table}
439 \end{comment}
440
441
442 Floating-point input data, computation and output data of PROP are 
443 originally in double precision\index{precision!double precision} format.
444 PROP produces a standard $R$-matrix H-file \cite{FARM_2DRMP}
445  and a collection of Rmat00X files (where X
446 ranges from 0 to the number of scattering energies - 1)
447 holding the physical R-matrix for each 
448 energy.
449 The  H-file  and the Rmat00X files are binary input files of the FARM program \cite{FARM_2DRMP}
450 (last program of the 2DRMP suite).
451 Their text equivalent are the  prop.out 
452 and the prop00X.out files. 
453 To study the validity of PROP results in  single precision\index{precision!single precision},
454 first,
455 reference results are 
456  generated by running the serial version of PROP in double precision\index{precision!double precision}.
457 Data used in the most costly computation parts are read from input files in
458 double precision\index{precision!double precision} format and then 
459 cast to single precision\index{precision!single precision} format.
460 PROP results  (input of FARM) are computed in single precision\index{precision!single precision} and  written
461 into files in double precision\index{precision!double precision}. 
462
463 \subsection{Medium case study}
464 \begin{figure}[h]
465 \begin{center}
466 \includegraphics*[width=0.9\linewidth]{Chapters/chapter15/figures/error.pdf} 
467 \caption{\label{fig:sp-distrib} Error distribution for medium case in single precision\index{precision!single precision}}
468 \end{center}
469 \end{figure}
470
471 The physical $R$-matrices, in
472 the prop00X.out files, are compared to the
473 reference ones for the medium case (see Table~\ref{data-sets}). 
474  The relative
475 error distribution is
476 given in Fig.~\ref{fig:sp-distrib}. 
477 We focus on the largest errors. 
478 \begin{itemize}
479 \item Errors greater than 100: the only impacted value is of order 1.E-6
480 and is negligible compared to the other ones 
481 in the same prop00X.out file.
482
483 \item Errors between 1 and 100: the values corresponding to the
484   largest errors are of order 1.E-3 and are negligible compared to
485   the majority of the other values which range between 1.E-2 and
486   1.E-1.
487
488 \item Errors between 1.E-2 and 1: the largest errors ($\ge$ 6\%)
489   impact values the order of magnitude of which is at most 1.E-1.
490   These values are negligible. 
491   Relative errors of approximately 5\% impact values the order of
492   magnitude of which is at most 1.E2. 
493   For instance, the value 164 produced by the reference version of
494   PROP becomes 172 in the single precision\index{precision!single precision} version.
495
496 \end{itemize}
497
498 To study the impact of the single precision\index{precision!single precision} version of PROP on the
499 FARM program, the cross-section
500 results files corresponding to 
501 transitions 
502 {1s1s}, 
503 {1s2s}, {1s2p}, {1s3s}, {1s3p}, {1s3d},
504 {1s4s}, {2p4d} are compared to the reference ones.  
505 Table~\ref{sp-farm} shows that all cross-section files are impacted by
506 errors.  Indeed in the  {2p4d} file,  four relative errors are 
507 greater than one and the maximum relative error is 1.60. 
508 However the largest errors impact negligible values. For example, the maximum
509 error (1.60) impacts a reference value which is 4.5E-4.  The largest 
510 values are impacted by low errors. For instance, the maximum value
511 (1.16) is impacted by a relative error of the order 1.E-3. 
512
513 \begin{table}[t] 
514 \begin{center}
515 \begin{tabular}{|c|c||c|c|} \hline
516   file & largest relative error & file & largest relative error\\ \hline
517  {1s1s} & 0.02& {1s3p} & 0.11  \\ \hline
518  {1s2s} & 0.06 &  {1s3d} &  0.22 \\ \hline
519  {1s2p} &  0.08 & {1s4s} &  0.20  \\ \hline
520  {1s3s} &  0.17 &2p4d & 1.60  \\ \hline
521 \end{tabular}
522 \caption{\label{sp-farm}Impact  on FARM  of the single precision\index{precision!single precision} version of PROP}
523 \end{center}
524 \end{table}
525
526 To examine in more detail the impact of PROP on FARM, 
527 cross sections above the ionization threshold (1 Ryd)
528 are compared in single and
529 double precision\index{precision!double precision}  for 
530 transitions amongst the 1s, \dots 4s, 2p, \dots 4p, 3d, 4d target states.  
531 This comparison is carried out by generating 45 plots.  In all the
532  plots, results in single and double precision\index{precision!double precision} match except for few
533  scattering energies which are very close to pseudo-state thresholds. 
534 For example Fig.~\ref{1s2p} and \ref{1s4d} present the scattering energies corresponding to the
535 {1s2p} and {1s4d} cross-sections computed in single and double precision\index{precision!double precision}.   For some cross-sections, 
536 increasing a threshold parameter from 1.E-4 to 1.E-3 in the FARM
537 program
538 results in energies close to threshold being avoided
539  and therefore
540 the cross-sections in double and single precision\index{precision!single precision} match more
541 accurately. 
542 This is the case for instance for cross-section 1s2p (see Fig.~\ref{1s2p3}). 
543 However for other cross-sections (such as 1s4d) some problematic energies remain even if the 
544 threshold parameter in  the FARM
545 program is increased to 1.E-3 (see Fig.~\ref{1s4d3}).  A higher 
546 threshold parameter would be required for such cross-sections. 
547
548 \begin{figure}[t]
549 \centering
550 \subfigure[threshold = 1.E-4]{ 
551 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2p.pdf}
552    \label{1s2p}
553  }
554 \subfigure[threshold = 1.E-3]{
555 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2p3.pdf}
556  \label{1s2p3}
557  }
558 \label{fig:1s2p_10sectors}
559 \caption{1s2p cross-section, 10 sectors}
560 \end{figure}
561
562 \begin{figure}[t]
563 \centering
564 \subfigure[threshold = 1.E-4]{
565 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s4d.pdf}
566    \label{1s4d}
567  }
568 \subfigure[threshold = 1.E-3]{
569 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s4d3.pdf}
570  \label{1s4d3}
571  }
572 \label{fig:1s4d_10sectors}
573 \caption{1s4d cross-section, 10 sectors}
574 \end{figure}
575
576 As a conclusion, the medium case study shows that the execution of
577 PROP in single precision\index{precision!single precision} leads to a few inexact scattering energies to
578 be computed by the FARM program for some cross-sections.
579 Thanks to a suitable threshold parameter in the FARM program these problematic energies may possibly 
580 be skipped. 
581 Instead of investigating deeper the choice of such a parameter for the medium case, we analyze the 
582 single precision\index{precision!single precision} computation  in a more
583 realistic case in Sect.~\ref{huge}. 
584 \begin{comment}
585 The conclusion of the medium case study is that running PROP in single
586 precision gives relatively stable results provided that suitable
587 parameter values are used in the FARM program in order to skip the
588 problematic energies that are too close to the pseudo-state
589 thresholds.  To verify if this conclusion is still valid with a larger
590 data set, the single precision\index{precision!single precision} computation is analyzed in a more
591 realistic case in Sect.~\ref{huge}.
592 \end{comment}
593
594 \subsection{Huge case study}\label{huge}
595
596
597 \begin{figure}[t] 
598   \centering
599 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2pHT.pdf}
600 \caption{\label{1s2pHT}1s2p cross-section, threshold = 1.E-4, 210 sectors}
601 \end{figure}
602
603 \begin{figure}[t] 
604   \centering
605 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2pHT.pdf}
606 \caption{\label{1s4dHT}1s4d cross-section, threshold = 1.E-4, 210 sectors}
607 \end{figure}
608
609 We study here the impact on FARM of the PROP program run in
610 single precision\index{precision!single precision} for the huge case (see Table~\ref{data-sets}).
611 The cross-sections
612 corresponding to all
613 atomic target states 1s \dots 7i are explored, which
614 leads to 
615 406 comparison plots. 
616 It should be noted that in this case, over the same energy range above the ionization threshold, the density of pseudo-state thresholds is significantly increased compared to the medium case.
617 As expected, all the plots exhibit large differences between single and double
618 precision cross-sections. 
619 For example Fig.~\ref{1s2pHT} and  \ref{1s4dHT} present the 1s2p and 1s4d cross-sections computed in
620 single and double precision\index{precision!double precision} for the huge case.  
621 We can conclude that PROP in single precision\index{precision!single precision} gives invalid results 
622 for realistic simulation cases above the ionization threshold.
623 Therefore the  deployment of PROP on GPU, described in Sect.~\ref{gpu-implem},
624 has been carried out in double precision\index{precision!double precision}. 
625
626 \section{Towards a complete deployment of PROP on GPUs} 
627 \label{gpu-implem}
628
629 We now detail how PROP has been progressively deployed on
630 GPUs in double precision\index{precision!double precision} in order to avoid the
631 expensive memory transfers between the host and the GPU.
632 Different versions with successive improvements and optimizations are presented.
633 We use CUDA~\cite{CUDA_ProgGuide} for GPU programming, as well as the
634 CUBLAS\index{CUBLAS}~\cite{CUBLAS} 
635 and MAGMA \cite{MAGMA} libraries for linear algebra operations.
636 Since PROP is written in Fortran 90, {\em wrappers\index{wrapper}} in C are used to
637 enable calls to CUDA kernels from PROP routines. 
638
639
640 \subsection{Computing the output $R$-matrix on GPU}
641 \label{gpu-RO}
642
643 \begin{figure}[h]
644   \centering
645   \includegraphics[width=0.7\linewidth]{Chapters/chapter15/figures/offdiagonal_nb.pdf}
646   \caption{\label{offdiagonal} The six steps of an off-diagonal sector
647     evaluation.}
648 \end{figure}
649
650 As mentioned in Algorithm~\ref{prop-algo}, evaluating a sector
651 mainly consists in constructing local $R$-matrices and in computing
652 one output $R$-matrix, $\Re^{O}$. In this first step of the porting
653 process, referred to as GPU V1\label{gpuv1},
654 we only consider the computation of $\Re^{O}$ on the GPU.
655 We distinguish the following six steps, related to equations
656 (\ref{eq_CAPS_1}), (\ref{eq_CAPS_2}) and (\ref{eq_CAPS_3}), and illustrated in
657 Fig.~\ref{offdiagonal} for an off-diagonal sector.
658
659 \begin{description}
660 \item[Step 1] (``Input copies''):~data are copied from $\Re^{I}$
661   to temporary arrays ($A$, $U$, $V$) and to $\Re^{O}$.
662   These copies, along with possible scalings or transpositions, are
663   implemented as CUDA kernels which can be applied to two
664   matrices of any size and starting at any offset. 
665   Memory accesses are coalesced\index{coalesced memory accesses} \cite{CUDA_ProgGuide} in order to
666   provide the best performance for such memory-bound kernels.
667 \item[Step 2] (``Local copies''):~data are copied from
668   local $R$-matrices to temporary arrays ($U$, $V$) and to $\Re^{O}$.
669   Moreover data from local $R$-matrix
670   $\mathbf{r}_{II}$ 
671   is added to matrix $A$ (via a CUDA kernel) and zeroes are written in
672    $\Re^{O}$  where required.
673 \item[Step 3] (``Linear system solving''):~matrix $A$ is factorized
674   using the MAGMA DGETRF\index{MAGMA functions!DGETRF} 
675    routine and the result is stored in-place.
676 \item[Step 4] (``Linear system solving'' cont.):~the matrix system
677  of linear equations  $AW$ = $V$ is solved using the MAGMA DGETRS\index{MAGMA functions!DGETRS} 
678 routine. The  solution is stored in matrix $V$.
679 \item[Step 5] (``Output matrix product''):~matrix $U$
680   is multiplied by matrix $V$ using the CUBLAS\index{CUBLAS} DGEMM 
681   routine. The result is stored in a temporary matrix~$t$.
682 \item[Step 6] (``Output add''):~$t$ is added to $\Re^{O}$ (CUDA
683   kernel).
684 \end{description}
685
686 All the involved matrices are stored in the GPU memory. Only the
687 local $R$-matrices are first constructed on the host and then sent
688 to the GPU memory, since these matrices vary from sector to sector.
689 The evaluation of the axis and diagonal sectors is similar.
690 However, fewer operations and copies are required because of
691 symmetry considerations \cite{2DRMP}.
692
693 \subsection{Constructing the local $R$-matrices on GPU}
694
695 \begin{figure}[t]
696  \centering
697   \includegraphics[width=0.7\linewidth]{Chapters/chapter15/figures/amplitudes_nb.pdf} 
698  \caption{\label{amplitudes} Constructing the local $R$-matrix R34
699  from the $j$ amplitude array associated with edge 4 and the $i$
700  amplitude array associated with edge~3.}
701 \end{figure}
702
703 Local $R$-matrices are constructed using two three dimensional arrays,
704 $i$ and $j$. Each three dimensional array contains four
705 matrices corresponding to the surface amplitudes associated with the
706 four edges of a sector. Those matrices are named {\em amplitude arrays}.
707  $j$ amplitude arrays are read from data files and $i$ amplitude arrays
708 are obtained by scaling each row of the $j$ amplitude arrays. 
709 The main part of the construction of a local $R$-matrix,
710 presented in Fig.~\ref{amplitudes},
711 is a matrix product between
712 one $i$ amplitude array and one transposed $j$ amplitude array 
713 which is performed by a single DGEMM 
714 BLAS\index{BLAS} call. 
715 In this version, hereafter referred to as GPU
716 V2\label{gpuv2}, $i$ and $j$ amplitude arrays are transferred to the
717 GPU memory and the required matrix multiplications are performed on
718 the GPU (via CUBLAS\index{CUBLAS} routines).
719
720
721 The involved matrices having medium sizes (either $3066 \times 383$ or
722 $5997 \times 383$),
723 performing these matrix multiplications
724 on the GPU is expected to be faster than on the CPU.
725 However, this implies a greater communication volume
726 between the CPU and the GPU
727 since the $i$ and $j$ amplitude arrays are larger than the local
728 $R$-matrices.
729 It can be noticed that correction data are also used in the
730 construction of a local $R$-matrix,
731 but this is a minor part in the
732 computation. However, these correction data also have to be
733 transferred from the CPU to the GPU for each sector.
734
735 \subsection{Scaling amplitude arrays on GPU}
736 It  
737 should be worthwhile to try to reduce the CPU-GPU data
738 transfers of the GPU V2, where the $i$ and $j$ amplitude arrays are
739 constructed on the host and then sent to the GPU memory for each sector. 
740 In this new version, hereafter referred to as GPU V3\label{gpuv3}, we
741 transfer only the $j$ amplitude arrays and the
742 required scaling factors (stored in one 1D array) to the GPU memory,
743 so that the $i$ amplitude arrays are
744 then directly computed on the GPU by multiplying the $j$ amplitude
745 arrays by these scaling factors (via a CUDA kernel).
746 Therefore, we save the transfer of four $i$ amplitude arrays on
747 each sector by transferring  only this 1D array of scaling factors. 
748 Moreover, scaling $j$ amplitude arrays is expected to be faster on the
749 GPU than on the CPU, thanks to the massively parallel architecture of
750 the GPU and thanks to its higher internal memory bandwidth.
751
752 \subsection{Using double-buffering\index{double-buffering} to overlap I/O and computation}
753
754 \begin{figure}[t]
755   \centering
756   \includegraphics[width=0.8\linewidth]{Chapters/chapter15/figures/C1060_V3_IO_COMP.pdf} 
757   \caption{\label{overlapping} Compute and I/O times for the GPU V3 on
758     one C1060.}  
759 \end{figure} 
760
761 As described in Algorithm~\ref{prop-algo}, there are two main steps in
762 the propagation across a sector: reading  amplitude arrays
763 and correction data from I/O files and
764 evaluating the current sector.
765 Fig.~\ref{overlapping} shows the I/O times and the evaluation times
766 of each sector for the huge case execution (210 sectors, 20 strips) of the GPU V3 
767 on one C1060. 
768 Whereas the times required by the off-diagonal sectors are similar
769 within each of the 20 strips, 
770 the times for diagonal sectors of each strip
771 are the shortest ones, the times for the axis sectors being
772 intermediate.
773 The I/O times are roughly constant among all strips.
774 The evaluation time is equivalent to the I/O
775 time for the first sectors. But this evaluation time grows 
776 linearly with the strip number, and rapidly exceeds the I/O 
777 time.
778
779 It is thus interesting to use a double-buffering\index{double-buffering} technique to overlap the 
780 I/O time with the evaluation time:
781 for each sector, the evaluation of sector $n$ is performed
782 (on GPU) simultaneously with the reading of data for sector
783 $n+1$ (on CPU). This requires the duplication in the CPU memory of all the
784 data structures
785 used for storing data read from I/O files for each sector.
786 This version, hereafter referred to as GPU
787 V4\label{gpuv4}, uses POSIX threads\index{POSIX threads}. Two threads are
788 executed concurrently: an I/O thread that reads data from I/O files
789 for each sector, and a computation thread, dedicated to the propagation
790 of the global $R$-matrix, that performs successively for each sector
791 all necessary computations on GPU, 
792 as well as all required CPU-GPU data transfers.
793 The evaluation of a sector uses the data read for this sector as well
794 as the global $R$-matrix computed on the previous sector.
795 This dependency requires synchronizations between the I/O thread and
796 the computation thread which are implemented through standard POSIX
797 thread mechanisms.
798
799
800 \subsection{Matrix padding\index{padding}}
801 The CUBLAS DGEMM 
802 performance and the MAGMA DGETRF\index{MAGMA functions!DGETRF}/DGETRS\index{MAGMA functions!DGETRS} 
803 performance is reduced when the sizes (or
804 the leading dimensions) of the matrix are not multiples of the inner blocking size \cite{NTD10a}.
805 This inner blocking size can be 32 or 64, depending on the computation
806 and on the underlying  
807 GPU architecture \cite{MAGMA,NTD10b}. 
808 In this version (GPU V5\label{gpuv5}), 
809 the matrices are therefore padded with $0.0$ (and $1.0$ on the diagonal for the linear systems)
810 so that their sizes are 
811 multiples of 64.
812 This corresponds indeed to the optimal size for the matrix product on the
813 Fermi architecture \cite{NTD10b}. And as far as linear system solving is
814 concerned, all the matrices have sizes which are multiples of 383: we
815 therefore use padding\index{padding} to obtain multiples of 384 (which are 
816 again  multiples of 64). 
817 It can be noticed that this padding\index{padding} has to be performed dynamically
818 as the matrices increase in size during the propagation 
819 (when possible the
820  maximum required storage space is however allocated only once in the
821  GPU memory). 
822
823
824
825 \section{Performance results}
826 \subsection{PROP deployment on GPU}
827
828 \begin{table*}[ht]
829 \begin{center}
830 \begin{tabular}{|c||c|c||}
831  \hline
832   PROP version & \multicolumn{2}{c|}{Execution time} \\
833   \hline
834   \hline
835   CPU version: 1  core & \multicolumn{2}{c|}{201m32s} \\
836   \hline
837   CPU version: 4  cores &  \multicolumn{2}{c|}{113m28s} \\
838   \hline \hline
839 GPU version  & C1060 & C2050 \\
840   \hline\hline
841   GPU V1 (\S~\ref{gpuv1}) & 79m25s & 66m22s  \\
842   \hline
843   GPU V2 (\S~\ref{gpuv2}) & 47m58s & 29m52s \\
844   \hline
845   GPU V3 (\S~\ref{gpuv3}) & 41m28s & 23m46s \\
846   \hline
847   GPU V4 (\S~\ref{gpuv4}) & 27m21s & 13m55s\\
848   \hline
849   GPU V5 (\S~\ref{gpuv5}) & 24m27s & 12m39s  \\
850   \hline
851 \end{tabular}
852 \caption{\label{table:time} 
853 Execution time of PROP on CPU and GPU}
854 \end{center}
855 \end{table*}
856
857 \begin{comment}
858 \begin{table*}[ht]
859 \begin{center}
860 \begin{tabular}{|c||c|c||}
861  \hline
862   PROP version & \multicolumn{2}{c|}{Execution time} \\
863   \hline  \hline
864 CPU version & 1 core & 4 cores  \\\hline
865 & {201m32s} & {113m28s} \\ \hline  \hline
866 GPU version  & C1060 & C2050 \\
867   \hline\hline
868   GPU V1 (\ref{gpuv1}) & 79m25s & 66m22s  \\
869   \hline
870   GPU V2 (\ref{gpuv2}) & 47m58s & 29m52s \\
871   \hline
872   GPU V3 (\ref{gpuv3}) & 41m28s & 23m46s \\
873   \hline
874   GPU V4 (\ref{gpuv4}) & 27m21s & 13m55s\\
875   \hline
876   GPU V5 (\ref{gpuv5}) & 24m27s & 12m39s  \\
877   \hline
878 \end{tabular}
879 \caption{\label{table:time} 
880 Execution time of the successive GPU versions}
881 \end{center}
882 \end{table*}
883 \end{comment}
884
885 \begin{figure}[h]
886 \centering
887 \subfigure[Speedup over 1 CPU core]{
888 \includegraphics*[width=0.76
889         \linewidth]{Chapters/chapter15/figures/histo_speedup_1core.pdf}
890    \label{fig:speedup_1core}
891  }
892
893 \subfigure[Speedup over 4 CPU cores]{
894 \includegraphics*[width=0.76
895         \linewidth]{Chapters/chapter15/figures/histo_speedup_4cores.pdf}
896  \label{fig:speedup_4cores}
897  }
898 \label{fig:speedup}
899 \caption{Speedup of the successive GPU versions.}
900 \end{figure}
901
902 Table~\ref{table:time} presents 
903 the execution times 
904 of PROP on CPUs and GPUs, 
905 each version solves the propagation equations in the 
906 form~(\ref{eq_CAPS_1}-\ref{eq_CAPS_3}) as proposed by CAPS. 
907 Fig.~\ref{fig:speedup_1core} (respectively \ref{fig:speedup_4cores})
908 shows the speedup of the successive GPU versions
909 over one CPU core (respectively four CPU cores). 
910 We use here Intel Q8200 quad-core CPUs (2.33 GHz), one C1060 GPU and
911 one C2050 (Fermi) GPU, located at 
912  UPMC (Universit\'e Pierre et Marie Curie, Paris, France). 
913 As a remark, the execution times measured on the C2050 would be the same 
914 on the C2070 and on  the C2075, the only difference between these GPUs 
915 being their memory size and their TDP (Thermal Design Power)\index{TDP (Thermal Design Power)}. 
916 We emphasize that the execution times correspond to the
917 complete propagation for all six energies of the large case (see
918 Table~\ref{data-sets}), that is to say to the complete execution of
919 the PROP program.  
920 Since energies are independent, execution times for more energies
921 (e.g. the huge case) should be proportional
922 to those reported in Table~\ref{table:time}.  
923
924 These tests, which have been performed with CUDA 3.2, CUBLAS\index{CUBLAS} 3.2 and 
925 MAGMA 0.2, 
926 show that the successive GPU versions of PROP offer 
927 increasing, and at the end interesting, speedups.
928 More precisely, 
929 V2 shows that it is worth increasing slightly the
930 CPU-GPU communication volume in order to perform
931 large enough matrix products on the GPU. 
932  This communication volume can fortunately be
933 reduced thanks to~V3,  
934 which also accelerates the computation of
935 amplitude arrays thanks to the GPU. 
936 The 
937 double-buffering\index{double-buffering} technique implemented in V4
938  effectively enables the overlapping of 
939 I/O operations with computation, while the 
940 padding\index{padding} implemented in V5 also improves the computation times.
941 It 
942 is noticed that the padding\index{padding}  
943 does offer much more performance gain with,  
944 for example,  CUDA 3.1 and the MAGMA DGEMM\index{MAGMA functions!DGEMM}~\cite{NTD10b}:  the
945 speedup with respect to one 
946 CPU core was increased from 6.3 to 8.1 on C1060, and from 9.5 to 14.3
947 on C2050. 
948 Indeed since CUBLAS\index{CUBLAS} 3.2 performance has been improved for non block multiple
949 matrix sizes through MAGMA code~\cite{NTD10a}. 
950 Although for all versions the C2050 (with its improved
951 double precision\index{precision!double precision} performance) offers up to almost 
952 double speedup compared to 
953 the C1060, the performance obtained with both architectures justifies the use of 
954 the GPU for such an application.
955
956 \subsection{PROP execution profile}
957
958 \begin{figure}[t]
959   \centering
960  \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/CPU_1_CORE_TIMES.pdf}
961 \caption{CPU (1 core)  execution times for the off-diagonal sectors of the large case.}
962 \label{fig:CPU-timing}
963 \end{figure}
964
965 \begin{figure}[t]
966   \centering
967   \subfigure[GPU V5 on one C1060]{ 
968 \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/GPU_V5_C1060_TIMES.pdf}
969 \label{GPU-timing}} 
970
971   \subfigure[GPU V5 on one C2050]{
972 \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/GPU_V5_C2050_TIMES.pdf}
973 \label{fermi-timing}} 
974  
975 \caption{GPU execution times for the off-diagonal sectors of
976   the large case.}
977 \label{fig:profileGPU}
978 \end{figure}
979
980 We detail here the execution profile on 
981 the CPU and the GPU for the evaluation of all off-diagonal sectors 
982 (the most representative ones) for a complete energy propagation. 
983  Fig.~\ref{fig:CPU-timing} and \ref{fig:profileGPU} show CPU and GPU execution times for the 
984 171 off-diagonal sectors of  the large case (see Table \ref{data-sets}). 
985 ``Copying, adding, scaling'' corresponds to the amplitude
986   array construction (scaling) as well as to steps 1, 2 and 6 in
987   Sect.~\ref{gpu-RO}, all implemented via CUDA kernels.
988 ``CPU-GPU transfers'' 
989 aggregate transfer times for the $j$ amplitude
990 arrays and the scaling factors, as well as for the correction data.
991  ``Amplitude matrix product'' corresponds to the DGEMM call to
992  construct the local R-matrices from the $i$ and $j$ amplitude
993  arrays. 
994 ``Linear system solving'' and ``Output matrix product'' correspond
995 respectively to steps 3-4 and to step 5 in Sect.~\ref{gpu-RO}.
996
997 On one CPU core (see  Fig.~\ref{fig:CPU-timing}), 
998  matrix products for the construction of the local
999 $R$-matrices require the same 
1000 computation time during the whole propagation. Likewise the CPU time required by
1001  matrix products for the output $R$-matrix is constant within each
1002  strip. But as the global $R$-matrix is propagated from strip to
1003  strip, the sizes of
1004 the matrices $U$ and $V$ increase, so does their multiplication time.
1005 The time required to solve the linear system increases
1006 slightly during the propagation.
1007 These three operations (``Amplitude matrix product'', ``Output matrix
1008 product'' and ``Linear system solving'') are clearly dominant in terms
1009 of computation
1010 time compared to the other remaining operations, which justify our
1011 primary focus on such three linear algebra operations.
1012
1013
1014 On the C1060 (see Fig.~\ref{GPU-timing}), we have
1015 generally managed to obtain a similar speedup for all operations
1016 (around 8, which corresponds to Fig.~\ref{fig:speedup_1core}). Only the linear system solving
1017 presents a lower speedup (around~4). 
1018 The CUDA kernels and the remaining CPU-GPU transfers make a minor contribution
1019 to the overall computation time and do not require
1020 additional improvements.
1021
1022 On the C2050 (see Fig.~\ref{fermi-timing}), additional speedup is
1023 obtained for all operations, except for the 
1024 CPU-GPU transfers and the linear system solving.
1025 The CPU-GPU transfers are mainly due to the $j$ amplitude arrays, and
1026 currently still correspond to minor times. When required, the
1027 double-buffering\index{double-buffering} technique may also be used to overlap such transfers with computation on the GPU.
1028
1029
1030
1031 \section{Propagation of multiple concurrent energies on GPU}\index{concurrent kernel execution}
1032
1033 Finally, we present here an improvement that can  
1034 benefit from the Fermi architecture, as well as from the newest Kepler
1035 architecture, 
1036 both of which enable the concurrent execution of multiple 
1037 CUDA kernels\index{concurrent kernel execution}, thus offering additional speedup on  
1038 GPUs for small or medium computation grain kernels.
1039 In our case, the performance gain on the GPU is indeed limited
1040 since most matrices have small or medium sizes. 
1041 By using multiple streams within one CUDA context~\cite{CUDA_ProgGuide},
1042 we can propagate multiple energies
1043 concurrently\index{concurrent kernel execution} on the Fermi GPU. 
1044 It can be noticed that all GPU computations for all streams are
1045 launched by the same host thread. We therefore rely here on the {\em legacy
1046 API} of CUBLAS\index{CUBLAS}~\cite{CUBLAS} (like MAGMA)
1047 without thread safety problems. 
1048 A {\em breadth first} issue order is used for kernel
1049 launchs \cite{CUDA_stream}: for a given GPU kernel, all kernel launchs
1050 are indeed issued together in the host thread, using one stream for each
1051 concurrent energy, in order to maximize concurrent kernel
1052 execution\index{concurrent kernel execution}.  
1053 Of course, the memory available on the GPU must be large enough to
1054 store all data structures required by each energy. 
1055 Moreover, multiple streams are also used within the
1056 propagation of each single energy 
1057 in order to enable concurrent executions among the required kernels.
1058
1059
1060 \begin{table}[t]
1061 \begin{center}
1062 \begin{tabular}{|c|c||c|c|c|c|c|}
1063   \hline
1064   \multirow{4}{0.18\linewidth}{Medium case} & Number of & 
1065   \multirow{2}{0.07\linewidth}{\centering 1} & 
1066   \multirow{2}{0.07\linewidth}{\centering 2} & 
1067   \multirow{2}{0.07\linewidth}{\centering 4} & 
1068   \multirow{2}{0.07\linewidth}{\centering 8} & 
1069   \multirow{2}{0.07\linewidth}{\centering 16} \\  
1070   & energies & & & & & \\  
1071   \cline{2-7}
1072   & Time (s) &  11.18 & 6.87 & 5.32 & 4.96 & 4.76 \\
1073   \cline{2-7}
1074   & Speedup & - & 1.63 & 2.10 & 2.26 & 2.35 \\
1075   \hline
1076   \hline
1077   \multirow{4}{0.18\linewidth}{Large case} & Number of & 
1078   \multirow{2}{0.07\linewidth}{\centering 1} & 
1079   \multicolumn{2}{c|}{\multirow{2}{0.07\linewidth}{\centering 2}} & 
1080   \multicolumn{2}{c|}{\multirow{2}{0.07\linewidth}{\centering 3}} \\
1081   & energies & & \multicolumn{2}{c|}{~} & \multicolumn{2}{c|}{~}  \\  
1082   \cline{2-7}
1083   & Time (s) & 509.51 & \multicolumn{2}{c|}{451.49} & \multicolumn{2}{c|}{436.72}  \\  
1084   \cline{2-7}
1085   & Speedup & - & \multicolumn{2}{c|}{1.13} & \multicolumn{2}{c|}{1.17}  \\  
1086   \hline
1087 \end{tabular}
1088 \caption{\label{t:perfs_V6} Performance results with multiple
1089   concurrent energies 
1090   on one C2070 GPU. GPU initialization times are not considered here. }
1091 \end{center}
1092 \end{table}
1093
1094 In order to have enough GPU memory to run two or three concurrent
1095 energies for the large case, we use one C2070 GPU 
1096 (featuring 6GB of memory) 
1097 with one Intel X5650 hex-core CPU, CUDA 4.1 and CUBLAS\index{CUBLAS} 4.1, as
1098 well as the latest MAGMA release (version 1.3.0). 
1099 Substantial changes have been required 
1100 in the MAGMA calls with respect to the previous versions of PROP that were using MAGMA 0.2. 
1101  Table~\ref{t:perfs_V6} presents the speedups 
1102 obtained on the Fermi GPU for multiple concurrent
1103 energies (up to sixteen since this is the maximum number of concurrent
1104 kernel launches currently supported \cite{CUDA_ProgGuide}). 
1105 With the medium case, speedups greater than 2 are obtained with four
1106 concurrent energies or more. 
1107 With the more realistic large case, the performance gain is lower mainly because of
1108 the increase in matrix sizes, which implies a better GPU usage
1109 with only one energy on the GPU. The concurrent execution of multiple
1110 kernels\index{concurrent kernel execution} is also limited by other operations on the
1111 GPU \cite{CUDA_ProgGuide,CUDA_stream} and by the current MAGMA code which
1112 prevents concurrent MAGMA calls in different streams. 
1113 Better speedups can be here expected on the latest Kepler GPUs which
1114 offer additional compute power, and whose {\em Hyper-Q} feature may help
1115 improve further the GPU utilization with concurrent energies. 
1116 On the contrary, the same code on the C1060 shows no speedup
1117  since the concurrent kernel launches are serialized on this previous GPU architecture. 
1118
1119
1120
1121
1122
1123
1124
1125
1126 \section{Conclusion and future work}
1127 \label{conclusion} 
1128
1129 In this chapter, we have presented our methodology and our results in
1130 the deployment on 
1131 a GPU of an application (the PROP program) in atomic physics. 
1132
1133 We have started by studying the numerical stability of PROP using
1134 single precision\index{precision!single precision} arithmetic. This has shown that PROP
1135 using single precision\index{precision!single precision}, while relatively stable for some small cases,
1136 gives unsatisfactory results for realistic simulation cases above the
1137 ionization threshold where there is a 
1138 significant density of pseudo-states. It is
1139 expected that this may not be the case below the ionization threshold
1140 where the actual target states are less dense. This requires further
1141 investigation. 
1142
1143 We have 
1144 therefore deployed the PROP code in double precision\index{precision!double precision} on 
1145 a GPU, with successive improvements. The different GPU versions 
1146 each offer increasing speedups over the CPU version.
1147 Compared to the single (respectively four) core(s) CPU version, the
1148 optimal GPU implementation 
1149 gives a speedup of 8.2 (resp. 4.6) on one C1060 GPU,
1150 and a speedup of 15.9 (resp. 9.0) on one 
1151 C2050 GPU with improved double precision\index{precision!double precision} performance.
1152 An additional gain of around 15\% 
1153 can also be obtained on one Fermi GPU
1154 with large memory (C2070) thanks to concurrent kernel execution. 
1155
1156 Such speedups 
1157 cannot be directly compared with the 1.15 speedup 
1158 obtained with the HMPP\index{HMPP} version, since in our tests the CPUs are
1159 different and the CUBLAS\index{CUBLAS} versions are more recent.  
1160 However, the programming effort required 
1161 progressively to deploy PROP on GPUs clearly offers improved and interesting speedups for this 
1162 real-life   application in double precision\index{precision!double precision} with varying-size matrices. 
1163
1164
1165 We are currently working on a hybrid CPU-GPU version that spreads the
1166 computations of the independent energies on both the CPU
1167 and the GPU. This will enable 
1168 multiple energy execution on the CPU, with 
1169 one or several core(s) dedicated to each energy (via multi-threaded
1170 BLAS\index{BLAS} libraries). Multiple 
1171 concurrent energies may also be propagated on each Fermi GPU. 
1172 By merging this work with the current MPI PROP program, we will
1173 obtain a scalable hybrid CPU-GPU version.
1174 This final version will offer an additional level of parallelism
1175 thanks to the MPI
1176 standard in order to exploit multiple
1177 nodes with multiple CPU cores and possibly multiple GPU cards. 
1178
1179 \putbib[Chapters/chapter15/biblio]
1180