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

Private GIT Repository
ch17
[book_gpu.git] / BookGPU / Chapters / chapter15 / ch15.tex
1 \chapterauthor{Rachid Habel}{T\'el\'ecom SudParis, France}
2 \chapterauthor{Pierre Fortin, Fabienne J\'ez\'equel, and Jean-Luc Lamotte}{Laboratoire d'Informatique de Paris 6, Université Pierre et Marie Curie, France}
3
4 %\chapterauthor{Fabienne J\'ez\'equel}{Laboratoire d'Informatique de Paris 6, University Paris 6}
5 %\chapterauthor{Jean-Luc Lamotte}{Laboratoire d'Informatique de Paris 6, University Paris 6}
6 \chapterauthor{Stan Scott}{School of Electronics, Electrical Engineering \& Computer Science,
7 The Queen's University of Belfast, United Kingdom}
8
9 %\newcommand{\fixme}[1]{{\bf #1}}
10
11 \chapter[Numerical validation and GPU performance in atomic physics]{Numerical validation and performance optimization on GPUs of an application in atomic physics} 
12 \label{chapter15}
13
14 \section{Introduction}\label{ch15:intro}
15 As described in Chapter~\ref{chapter1}, GPUs are characterized by hundreds 
16 of cores and theoretically perform one order of magnitude better than CPUs.  
17 An important factor to consider when programming on GPUs
18  is the cost of
19 data transfers between CPU memory and GPU memory. Thus, to have good
20 performance on
21 GPUs, applications should be coarse-grained and have a high arithmetic
22 intensity 
23 (i.e., the ratio of arithmetic operations to memory operations). 
24 Another important aspect of GPU programming is that floating-point
25 operations are preferably performed in single precision\index{precision!single precision}, if the
26  validity of results is not impacted by that format.   
27 The GPU compute power for floating-point operations is indeed greater in
28 single precision\index{precision!single precision} than in double precision\index{precision!double precision}.  
29 The peak performance ratio between single precision\index{precision!single precision} and double
30 precision varies, for example, for NVIDIA GPUs from $12$ for the first Tesla
31 GPUs (C1060), 
32 to $2$ for the Fermi GPUs (C2050 and C2070),   
33 and to $3$ for the latest Kepler architecture (K20/K20X).  
34 As far as AMD GPUs are concerned, the latest AMD GPU (Tahiti HD 7970)
35 presents a ratio of $4$.  
36 Moreover, GPU internal memory accesses and CPU-GPU data transfers are
37 faster in single precision\index{precision!single precision} than in double precision\index{precision!double precision} 
38 because of the different format lengths. 
39
40 This chapter describes the deployment on GPUs of PROP, a program of the
41 2DRMP~\cite{FARM_2DRMP,2DRMP} suite which models electron collisions
42 with H-like atoms and ions at intermediate energies. 2DRMP operates successfully on serial
43 computers, high performance clusters, and supercomputers.  The primary
44 purpose of the PROP program is to propagate a global
45 $R$-matrix~\cite{Burke_1987}, $\Re$, in the two-electron configuration
46 space.
47 The propagation needs to be performed for all collision energies, 
48 for instance, hundreds of energies,
49 which are independent.
50 Propagation equations are dominated by matrix multiplications involving sub-matrices of $\Re$.
51 However, the matrix multiplications are not
52 straightforward in the sense that $\Re$ dynamically changes the designation of its rows and
53 columns and increases in size as the propagation proceeds \cite{VECPAR}.
54
55 In a preliminary investigation PROP was selected by GENCI\footnote{GENCI: Grand Equipement National
56   de Calcul Intensif, \url{www.genci.fr}} and
57 CAPS,\footnote{CAPS is a software company providing products and solutions
58   for many-core application programming and deployment,
59   \url{www.caps-entreprise.com}} 
60 following their first call for projects in 2009--2010 
61 aimed at
62 deploying applications on hybrid systems based on GPUs.
63 First CAPS  
64 recast the propagation equations with larger matrices.  
65 For matrix products the GPU performance gain over CPU increases indeed 
66 with the matrix size, since the 
67 CPU-GPU transfer overhead becomes less significant and since CPUs are
68 still more efficient for fine computation grains. 
69 Then, using HMPP,\index{HMPP}\footnote{
70 HMPP (Hybrid Multicore Parallel Programming) or {CAPS compiler}, see: \url{www.caps-entreprise.com/hmpp.html}} 
71 a commercial 
72 hybrid and parallel compiler, CAPS 
73 developed a version of PROP in 
74 which matrix multiplications are performed on
75 the GPU or the CPU, depending on the matrix size.
76 Unfortunately this partial GPU implementation of PROP does not offer
77 significant acceleration. 
78
79 The work described in this chapter, which is based on a study presented in \cite{PF_PDSEC2011}, aims at 
80  improving PROP performance on 
81 GPUs by exploring two directions. First, because the original version of PROP is written
82 in double precision\index{precision!double precision}, 
83 we study the numerical stability of PROP in single precision\index{precision!single precision}. 
84 Second, we deploy  the whole
85 computation code of PROP on
86 GPUs to avoid the overhead generated by
87 data transfers 
88 and we propose successive improvements
89 (including one specific to the Fermi architecture) 
90 in order to optimize the GPU code.
91
92
93
94
95 \section{2DRMP and the PROP program}
96 \label{s:2DRMP_PROP}
97 \subsection{Principles of $R$-matrix propagation}
98 2DRMP~\cite{FARM_2DRMP,2DRMP} is part of the CPC library.\footnote{CPC:
99 Computer Physics Communications, 
100 \url{http://cpc.cs.qub.ac.uk/}} 
101 It is a suite of seven 
102 programs aimed at creating virtual experiments on high performance and grid
103 architectures to enable the study of electron scattering from H-like
104 atoms and ions at intermediate energies.  The 2DRMP suite  uses the
105 two-dimensional $R$-matrix propagation approach~\cite{Burke_1987}. 
106 In 2DRMP the two-electron configuration  space  ($r_1$,$r_2$) is
107 divided into sectors. 
108 Figure~\ref{prop} shows the division of the two-electron configuration
109 space ($r_1$,$r_2$) into 4 vertical $strips$ representing 10 $sectors$. 
110 The key computation in 2DRMP, performed by the PROP program, is the
111 propagation of a global 
112 $R$-matrix, $\Re$, from sector to sector across the internal region, as shown in Fig.~\ref{prop}. 
113
114 \begin{figure}[h]
115 \begin{center}
116 \includegraphics*[width=0.65\linewidth]{Chapters/chapter15/figures/prop.pdf} 
117 \caption{\label{prop} Subdivision of the configuration space 
118 ($r_1$,$r_2$) into a set of connected sectors.}
119 \end{center}
120 \end{figure}
121
122 \begin{figure}[h]
123 \begin{center}
124 \includegraphics*[width=0.8\linewidth]{Chapters/chapter15/figures/Domain.pdf} 
125 \caption{\label{domain} Propagation of the $R$-matrix from domain $D$ to domain $D'$.}
126 \end{center}
127 \end{figure}
128
129 We consider the general situation in
130 Fig.~\ref{domain} where we assume that we already know
131 the global $R$-matrix, $\Re^{I}$, associated with the boundary defined
132 by edges 5, 2, 1, and 6 
133 in domain $D$ and we wish to
134 evaluate the new global $R$-matrix, $\Re^{O}$, associated with edges 5, 3, 4, and 6 
135 in domain $D'$ following propagation across subregion $d$.
136 Input edges are denoted by I (edges 1 and~2), output edges by O (edges 3 and 4) and
137 common edges by X (edges 5 and~6).
138 Because of symmetry, only the lower half of domains $D$ and $D'$ has to be considered. 
139 The global $R$-matrices, $\Re^{I}$ in domain $D$ and $\Re^{O}$ in
140 domain $D'$, can be written as 
141 \begin{equation}
142 \Re^{I} = \left(\begin{array}{cc}
143       \Re_{II}^{I} & \Re_{IX}^{I}\\
144       \Re_{XI}^{I} & \Re_{XX}^{I}
145     \end{array}\right) 
146 \ \
147 \Re^{O} = \left(\begin{array}{cc}
148       \Re_{OO}^{O} & \Re_{OX}^{O}\\
149       \Re_{XO}^{O} & \Re_{XX}^{O}
150     \end{array}\right).
151 \label{eq:RI_RO}
152 \end{equation}
153
154
155
156 From the set of local $R$-matrices, $\mathbf{R}_{ij}$ ($i,j\in \{1,2,3,4\}$), 
157 associated 
158 with subregion $d$, we can define
159 \begin{subequations}
160 \begin{eqnarray}
161     \mathbf{r}_{II} = \left(\begin{array}{cc}
162       \mathbf{R}_{11} & \mathbf{R}_{12}\\
163       \mathbf{R}_{21} & \mathbf{R}_{22}
164     \end{array}\right), \label{eqaa} & 
165     \mathbf{r}_{IO} = \left(\begin{array}{cc}
166       \mathbf{R}_{13} & \mathbf{R}_{14}\\
167       \mathbf{R}_{23} & \mathbf{R}_{24}
168     \end{array}\right), \label{eqbb}\\
169     \mathbf{r}_{OI} = \left(\begin{array}{cc}
170       \mathbf{R}_{31} & \mathbf{R}_{32}\\
171       \mathbf{R}_{41} & \mathbf{R}_{42}
172     \end{array}\right), \label{eqcc} &
173    \mathbf{r}_{OO} = \left(\begin{array}{cc}
174       \mathbf{R}_{33} & \mathbf{R}_{34}\\
175       \mathbf{R}_{43} & \mathbf{R}_{44}
176     \end{array}\right),\label{eqdd}
177 \end{eqnarray}
178 \end{subequations}
179 where $I$ represents the input edges 1 and 2, and $O$ represents
180 the output edges 3 and 4 (see Fig.~\ref{domain}). 
181 The propagation across each sector is characterized by equations~(\ref{eq1}) to (\ref{eq4}).
182 \begin{subequations}
183 \begin{eqnarray}
184 \Re^{O}_{OO} &=& \mathbf{r}_{OO} - \mathbf{r}_{IO}^T (r_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO}, \label{eq1} \\
185 \Re^{O}_{OX} &=& \mathbf{r}_{IO}^T (\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\Re^{I}_{IX},  \label{eq2} \\
186    \Re^{O}_{XO} &=& \Re^{I}_{XI}(\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO},  \label{eq3} \\
187    \Re^{O}_{XX} &=& \Re^{I}_{XX} - \Re^{I}_{XI}(\mathbf{r}_{II} +\Re^{I}_{II})^{-1}\Re^{I}_{IX}. \label{eq4}
188 \end{eqnarray}
189 \end{subequations}
190
191 The matrix inversions are not explicitly performed. To compute
192 $(r_{II} + \Re^{I}_{II})^{-1}\mathbf{r}_{IO}$ and $(\mathbf{r}_{II} + \Re^{I}_{II})^{-1}\Re^{I}_{IX}$,
193 two linear systems are solved.
194
195
196 \medskip
197
198 While equations (\ref{eq1})--(\ref{eq4}) can be applied to the
199 propagation across a general subregion two special situations should be
200 noted: propagation across a diagonal subregion and propagation across
201 a subregion bounded by the $r_{1}$-axis at the beginning of a new
202 strip.
203
204 In the case of a diagonal subregion, from symmetry considerations,
205 edge 2 is identical to edge 1 and edge 3 is identical to edge~4. 
206 Accordingly, with only one input edge and one output edge equations
207 (\ref{eqaa})--(\ref{eqdd}) become 
208 \begin{subequations}
209 \begin{eqnarray}
210 \mathbf{r}_{II} = 2\mathbf{R}_{11}, \ 
211 \mathbf{r}_{IO} = 2\mathbf{R}_{14}, \label{eq4b}\\
212 \mathbf{r}_{OI} = 2\mathbf{R}_{41}, \ 
213 \mathbf{r}_{OO} = 2\mathbf{R}_{44}. \label{eq4d}
214 \end{eqnarray}
215 \end{subequations}
216 In the case of a subregion bounded by the $r_1$-axis at the beginning
217 of a new strip, we note that the input boundary $I$ consists of only
218 one edge. When propagating across the first subregion in the second
219 strip there is no common boundary $X$: in this case only equation
220 (\ref{eq1}) needs to be solved.
221
222 \medskip
223
224 Having obtained the global $R$-matrix $\Re$ on the boundary of the
225 innermost subregion (labeled $0$ in Fig.~\ref{prop}), $\Re$ is propagated across
226 each subregion in the order indicated in Fig.~\ref{prop},
227 working systematically from the
228 $r_1$-axis at the bottom of each strip across all subregions to the
229 diagonal. 
230
231
232
233 \subsection{Description of the PROP program}
234 \label{sec:PROP}
235
236 \begin{table}[t]
237 \begin{center}
238 \begin{tabular}{|c|c|c|c|c|c|}
239  \hline
240  \multirow{2}{0.09\linewidth}{\centering Data Set} &
241  \multirow{2}{0.15\linewidth}{\centering
242   Local $R$-\\Matrix Size} &
243  \multirow{2}{0.07\linewidth}{\centering Strips} &
244  \multirow{2}{0.09\linewidth}{\centering Sectors} &
245  \multirow{2}{0.19\linewidth}{\centering Final Global \\$R$-Matrix Size} &
246  \multirow{2}{0.15\linewidth}{\centering Scattering\\Energies}\\
247   & & & & & \\
248   \hline
249   Small & $90\times90$  & 4 & 10 & $360\times360$ & 6\\
250  \hline
251   Medium  & $90\times90$  & 4 & 10 & $360\times360$ & 64\\
252  \hline
253   Large  & $383\times383$  & 20 & 210 &  $7660\times7660$ & 6\\
254  \hline
255   Huge  & $383\times383$  & 20 & 210 &  $7660\times7660$ & 64\\ \hline
256 \end{tabular}
257 \caption{\label{data-sets}Characteristics of four data sets.}
258 \end{center}
259 \end{table}
260
261 The PROP program computes the propagation of the $R$-matrix across the sectors of the internal region.  
262 Table~\ref{data-sets} shows four different 
263 data sets used in this study and highlights the principal parameters of the PROP program. 
264  PROP execution can be described by Algorithm~\ref{prop-algo}. 
265 First, amplitude arrays and
266 correction data are read from data files generated by the preceding
267 program of the 2DRMP suite.  
268 Then, local $R$-matrices are constructed from amplitude arrays. 
269 Correction data is used to compute correction vectors added to the diagonal of the local 
270 $R$-matrices. The local $R$-matrices, together with the input $R$-matrix, 
271  $\Re^{I}$,
272 computed on the previous sector, are used to compute the current output
273 $R$-matrix, 
274 $\Re^{O}$. 
275  At the end of a sector evaluation,
276 the output $R$-matrix becomes  the input $R$-matrix 
277 for the next evaluation.  
278
279 %% \begin{algorithm}
280 %% \caption{\label{prop-algo}PROP algorithm}
281 %% \begin{algorithmic}
282 %% \FOR{all scattering energies}
283 %%  \FOR{all sectors}
284 %%  \STATE Read amplitude arrays
285 %%  \STATE Read correction data
286 %% \STATE Construct local $R$-matrices
287 %% \STATE From $\Re^{I}$ and local $R$-matrices, compute $\Re^{O}$
288 %% \STATE $\Re^{O}$ becomes $\Re^{I}$ for the next sector 
289 %%  \ENDFOR
290 %%  \STATE Compute physical $R$-Matrix 
291 %% \ENDFOR
292 %% \end{algorithmic}
293 %% \end{algorithm}
294
295 \begin{algorithm}
296 \caption{\label{prop-algo}PROP algorithm}
297 %\begin{algorithmic}
298 \For{all scattering energies} {
299  \For{all sectors}{
300   Read amplitude arrays\;
301   Read correction data\;
302   Construct local $R$-matrices\;
303   From $\Re^{I}$ and local $R$-matrices, compute $\Re^{O}$\;
304  $\Re^{O}$ becomes $\Re^{I}$ for the next sector\;
305  }
306  Compute physical $R$-Matrix\;
307 }
308 %\end{algorithmic}
309 \end{algorithm}
310
311
312 On the first sector, there is no input $R$-matrix yet. To bootstrap
313 the propagation, the first output $R$-matrix is constructed using only
314 one local $R$-matrix.  On the last sector, that is, on the boundary of
315 the inner region, a physical $R$-matrix corresponding to the output
316 $R$-matrix is computed and stored into an output file.
317
318 In the PROP program, sectors are characterized into four types,
319 depending on the computation performed: 
320 \begin{itemize}
321 \item the starting sector (labeled 0 in Fig.~\ref{prop}); 
322 \item the axis sectors (labeled 1, 3, and 6 in Fig.~\ref{prop}); 
323 \item the diagonal sectors (labeled 2, 5,  and 9 in Fig.~\ref{prop}); 
324 \item the off-diagonal sectors (labeled 4, 7, and 8 in Fig.~\ref{prop}).
325 \end{itemize}
326
327
328 The serial version of PROP is implemented in Fortran~90 and 
329 for linear algebra operations uses BLAS\index{BLAS} and LAPACK\index{LAPACK} routines
330 which are fully optimized for x86 architecture.
331 This 
332 program 
333 serially propagates the $R$-matrix for
334 all scattering energies. 
335 Since the propagations for these different 
336 energies are independent, there also 
337 exists an embarrassingly parallel version of 
338 PROP 
339 that spreads the computations of 
340 several energies
341 among multiple CPU nodes via  
342 MPI. 
343
344
345
346 \subsection{CAPS implementation}
347 \label{caps}
348
349 In order to handle larger matrices, and thus obtain better GPU  speedup, CAPS  
350 recast equations (\ref{eq1}) to (\ref{eq4}) into one equation.
351 The output $R$-matrix $\Re^{O}$ defined by equation~(\ref{eq:RI_RO}) is now computed as follows: 
352 \begin{equation}\label{eq_CAPS_1}
353 \Re^{O} = \Re^{O^{\ \prime}} + U A^{-1} V, 
354 \end{equation}
355 \begin{equation}\label{eq_CAPS_2}
356 {\rm with} \
357 \Re^{O^{\ \prime}}= \left(\begin{array}{cc}
358       \mathbf{r}_{OO} & 0\\
359       0 & \Re^I_{XX}    \end{array}\right), \
360 U= \left(\begin{array}{c}
361       \mathbf-{r}_{IO}^{T}\\
362       \Re^I_{XI}    \end{array}\right), 
363 \end{equation}
364 \begin{equation}\label{eq_CAPS_3}
365 A= \mathbf{r}_{II} + \Re^I_{II} \ {\rm and}  \
366 V= (\mathbf{r}_{IO}\ \ \ -\Re^I_{IX}).
367 \end{equation}
368
369 To compute $W=A^{-1}V$, no matrix inversion is performed. The matrix
370 system $AW=V$ is solved. 
371 This reimplementation of PROP reduces the number of equations to be
372 solved and the number of matrix copies for evaluating each sector.
373 For instance, for an off-diagonal sector, 
374 copies fall from 22 to 5, matrix multiplications from 4 to~1, and calls
375 to a linear equation solver from 2 to 1. 
376
377 To implement this version, CAPS 
378 used HMPP\index{HMPP}, a 
379 commercial hybrid and parallel compiler, 
380 based on compiler directives such as the new OpenACC\index{OpenACC} standard.\footnote{See: \url{www.openacc-standard.org}} 
381 If the matrices are large enough (the limit sizes are experimental parameters), 
382 they are multiplied on the GPU, otherwise on the CPU. 
383 CAPS 
384  used Intel's MKL (Math Kernel Library) BLAS\index{BLAS} implementation on an Intel Xeon
385 x5560 quad core CPU (2.8 GHz) 
386 and the CUBLAS\index{CUBLAS} library (CUDA 2.2) on one Tesla C1060 GPU. 
387 On the large data set (see Table~\ref{data-sets}), CAPS 
388  obtained a speedup of 1.15 for the GPU 
389 version over the CPU one (with multithreaded MKL calls on the four
390 CPU cores). This limited gain in performance is mainly
391 due to the use of double precision\index{precision!double precision} computation 
392 and to the small or medium sizes of most matrices.
393 For these matrices, the computation gain on  
394 the GPU is indeed 
395 strongly affected by the overhead 
396 generated by transferring these matrices from  
397 the CPU memory to the GPU memory to perform each matrix multiplication and then
398 transferring the result back to the CPU memory. 
399
400 Our goal is to speed up PROP more significantly by porting the whole
401 code to the GPU and therefore avoiding 
402 the 
403 intermediate data transfers between
404 the host (CPU) and the GPU. We will also study the
405 stability of PROP in single precision\index{precision!single precision} because 
406 single-precision\index{precision!single precision} computation is faster on the GPU  
407 and CPU-GPU data transfers are twice as fast as those performed in
408 double precision\index{precision!double precision}. 
409
410
411
412 \section{Numerical validation\index{numerical validation} of PROP in single precision\index{precision!single precision}}
413 \label{single-precision}
414
415 \begin{comment}
416 \begin{table}[h]
417 \begin{center}
418 \begin{tabular}{|c|c|}
419   \hline
420    relative error interval & \# occurrences \\
421   \hline
422    [0, 1.E-8) & 18 \\
423   \hline
424    [1.E-8, 1.E-6) & 1241 \\
425   \hline
426    [1.E-6, 1.E-4) & 48728 \\
427   \hline
428    [1.E-4, 1.E-2) & 184065 \\
429   \hline
430    [1.E-2, 1) & 27723 \\
431   \hline
432    [1, 100) & 304 \\
433   \hline
434    [100, $+\infty$) & 1 \\
435   \hline
436 \end{tabular}
437 \end{center}
438 \caption{\label{sp-distrib}Error distribution for medium case in single precision\index{precision!single precision}}
439 \end{table}
440 \end{comment}
441
442
443 Floating-point input data, computation, and output data of PROP are 
444 originally in double-precision\index{precision!double precision} format.
445 PROP produces a standard $R$-matrix H-file \cite{FARM_2DRMP}
446  and a collection of {Rmat}00X files (where X
447 ranges from 0 to the number of scattering energies $-$ 1)
448 holding the physical $R$-matrix for each 
449 energy.
450 The  H-file  and the {Rmat}00X files are binary input files of the FARM program \cite{FARM_2DRMP}
451 (last program of the 2DRMP suite).
452 Their text equivalents are the  prop.out 
453 and the prop00X.out files. 
454 To study the validity of PROP results in  single precision\index{precision!single precision},
455 first,
456 reference results are 
457  generated by running the serial version of PROP in double precision\index{precision!double precision}.
458 Data used in the most costly computation parts are read from input files in
459 double precision\index{precision!double precision} format and then 
460 cast to single precision\index{precision!single precision} format.
461 PROP results  (input of FARM) are computed in single precision\index{precision!single precision} and  written
462 into files in double precision\index{precision!double precision}. 
463
464 \subsection{Medium case study}
465 \begin{figure}[h]
466 \begin{center}
467 \includegraphics*[width=0.9\linewidth]{Chapters/chapter15/figures/error.pdf} 
468 \caption{\label{fig:sp-distrib} Error distribution for medium case in single precision.\index{precision!single precision}}
469 \end{center}
470 \end{figure}
471
472 The physical $R$-matrices, in
473 the prop00X.out files, are compared to the
474 reference ones for the medium case (see Table~\ref{data-sets}). 
475  The relative
476 error distribution is
477 given in Fig.~\ref{fig:sp-distrib}. 
478 We focus on the largest errors. 
479 \begin{itemize}
480 \item Errors greater than $10^{2}$: %100: 
481 the only impacted value is of order $10^{-6}$ %1.E-6
482 and is negligible compared to the other ones 
483 in the same prop00X.out file.
484
485 \item Errors between 1 and $10^{2}$: %100: 
486 the values corresponding to the
487   largest errors are of order $10^{-3}$ %1.E-3 
488 and are negligible compared to
489   the majority of the other values which range between $10^{-2}$ %1.E-2 
490 and $10^{-1}$. 
491
492 \item Errors between $10^{-2}$ %1.E-2 
493 and 1: the largest errors ($\ge$ 6\%)
494   impact values the order of magnitude of which is at most $10^{-1}$. %1.E-1.
495   These values are negligible. 
496   Relative errors of approximately 5\% impact values the order of
497   magnitude of which is at most $10^{2}$. %1.E2. 
498   For instance, the value 164 produced by the reference version of
499   PROP becomes 172 in the single precision\index{precision!single precision} version. 
500 \end{itemize}
501
502 To study the impact of the single precision\index{precision!single precision} version of PROP on the
503 FARM program, the cross-section
504 results files corresponding to 
505 transitions 
506 {1s1s}, 
507 {1s2s}, {1s2p}, {1s3s}, {1s3p}, {1s3d},
508 {1s4s}, {2p4d} are compared to the reference ones.  
509 Table~\ref{sp-farm} shows that all cross-section files are impacted by
510 errors.  Indeed in the  {2p4d} file,  four relative errors are 
511 greater than one and the maximum relative error is 1.60. 
512 However, the largest errors impact negligible values. For example, the maximum
513 error (1.60) impacts a reference value which is $4.5\ 10^{-4}$.  %4.5E-4.  
514 The largest 
515 values are impacted by low errors. For instance, the maximum value
516 (1.16) is impacted by a relative error of the order $10^{-3}$. %1.E-3. 
517
518 \begin{table}[t] 
519 \begin{center}
520 \begin{tabular}{|c|c||c|c|} \hline
521  File & Largest Relative Error & File & Largest Relative Error\\ \hline
522  {1s1s} & 0.02& {1s3p} & 0.11  \\ \hline
523  {1s2s} & 0.06 &  {1s3d} &  0.22 \\ \hline
524  {1s2p} &  0.08 & {1s4s} &  0.20  \\ \hline
525  {1s3s} &  0.17 &2p4d & 1.60  \\ \hline
526 \end{tabular}
527 \caption{\label{sp-farm}Impact  on FARM  of the single precision\index{precision!single precision} version of PROP.}
528 \end{center}
529 \end{table}
530
531 To examine in more detail the impact of PROP on FARM, 
532 cross-sections above the ionization threshold (1 Ryd)
533 are compared in single and
534 double precision\index{precision!double precision}  for 
535 transitions among the 1s, \dots 4s, 2p, \dots 4p, 3d, 4d target states.  
536 This comparison is carried out by generating 45 plots.  In all the
537  plots, results in single and double precision\index{precision!double precision} match except for a few
538  scattering energies which are very close to pseudo-state thresholds. 
539 For example, Fig.~\ref{1s2p} and \ref{1s4d} present the scattering energies corresponding to the
540 {1s2p} and {1s4d} cross-sections computed in single and double precision\index{precision!double precision}.   For some cross-sections, 
541 increasing a threshold parameter from $10^{-4}$ %1.E-4 
542 to $10^{-3}$ %1.E-3 
543 in the FARM
544 program 
545 results in energies close to threshold being avoided, 
546  and therefore, 
547 the cross-sections in double and single precision\index{precision!single precision} match more
548 accurately. 
549 This is the case for instance for cross-section 1s2p (see Fig.~\ref{1s2p3}). 
550 However for other cross-sections (such as 1s4d) some problematic energies remain even if the 
551 threshold parameter in  the FARM
552 program is increased to  $10^{-3}$ %1.E-3
553  (see Fig.~\ref{1s4d3}).  A higher 
554 threshold parameter would be required for such cross-sections. 
555
556 \begin{figure}[t]
557 \centering
558 \subfigure[threshold = $10^{-4}$]{ %1.E-4]{ 
559 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2p.pdf}
560    \label{1s2p}
561  }
562 \subfigure[threshold = $10^{-3}$]{ %1.E-3]{
563 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2p3.pdf}
564  \label{1s2p3}
565  }
566 \label{fig:1s2p_10sectors}
567 \caption{1s2p cross-section, 10 sectors.}
568 \end{figure}
569
570 \begin{figure}[t]
571 \centering
572 \subfigure[threshold = $10^{-4}$]{ %1.E-4]{
573 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s4d.pdf}
574    \label{1s4d}
575  }
576 \subfigure[threshold = $10^{-3}$]{ %1.E-3]{
577 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s4d3.pdf}
578  \label{1s4d3}
579  }
580 \label{fig:1s4d_10sectors}
581 \caption{1s4d cross-section, 10 sectors.}
582 \end{figure}
583
584 As a conclusion, the medium case study shows that the execution of
585 PROP in single precision\index{precision!single precision} leads to a few inexact scattering energies to
586 be computed by the FARM program for some cross-sections.
587 Thanks to a suitable threshold parameter in the FARM program these problematic energies may possibly 
588 be skipped. 
589 Instead of investigating more deeply the choice of such a parameter for the medium case, we analyze the 
590 single-precision\index{precision!single precision} computation  in a more
591 realistic case in Sect.~\ref{huge}. 
592 \begin{comment}
593 The conclusion of the medium case study is that running PROP in single
594 precision gives relatively stable results provided that suitable
595 parameter values are used in the FARM program in order to skip the
596 problematic energies that are too close to the pseudo-state
597 thresholds.  To verify if this conclusion is still valid with a larger
598 data set, the single precision\index{precision!single precision} computation is analyzed in a more
599 realistic case in Sect.~\ref{huge}.
600 \end{comment}
601
602 \subsection{Huge case study}\label{huge}
603
604
605 \begin{figure}[t] 
606   \centering
607 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2pHT.pdf}
608 \caption{\label{1s2pHT}1s2p cross-section, threshold = $10^{-4}$, 210 sectors.} %1.E-4, 210 sectors.}
609 \end{figure}
610
611 \begin{figure}[t] 
612   \centering
613 \includegraphics*[width=.76\linewidth]{Chapters/chapter15/figures/1s2pHT.pdf}
614 \caption{\label{1s4dHT}1s4d cross-section, threshold = $10^{-4}$, 210 sectors.} %1.E-4, 210 sectors.}
615 \end{figure}
616
617 We study here the impact on FARM of the PROP program run in
618 single precision\index{precision!single precision} for the huge case (see Table~\ref{data-sets}).
619 The cross-sections 
620 corresponding to all
621 atomic target states 1s \dots 7i are explored, which
622 leads to 
623 406 comparison plots. 
624 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.
625 As expected, all the plots exhibit large differences between single and double
626 precision cross-sections. 
627 For example Fig.~\ref{1s2pHT} and  \ref{1s4dHT} present the 1s2p and 1s4d cross-sections computed in
628 single---and double---precision\index{precision!double precision} for the huge case.  
629 We can conclude that PROP in single precision\index{precision!single precision} gives invalid results 
630 for realistic simulation cases above the ionization threshold.
631 Therefore, the  deployment of PROP on GPU, described in Sect.~\ref{gpu-implem},
632 has been carried out in double precision\index{precision!double precision}. 
633
634 \section{Towards a complete deployment of PROP on GPUs} 
635 \label{gpu-implem}
636
637 We now detail how PROP has been progressively deployed on
638 GPUs in double precision\index{precision!double precision} in order to avoid the
639 expensive memory transfers between the host and the GPU.
640 Different versions with successive improvements and optimizations are presented.
641 We use CUDA~\cite{CUDA_ProgGuide} for GPU programming, as well as the
642 CUBLAS\index{CUBLAS}~\cite{CUBLAS} 
643 and MAGMA \cite{MAGMA} libraries for linear algebra operations.
644 Since PROP is written in Fortran 90, {\em wrappers\index{wrapper}} in C are used to
645 enable calls to CUDA kernels from PROP routines. 
646
647
648 \subsection{Computing the output $R$-matrix on GPU}
649 \label{gpu-RO}
650
651 \begin{figure}[h]
652   \centering
653   \includegraphics[width=0.7\linewidth]{Chapters/chapter15/figures/offdiagonal_nb.pdf}
654   \caption{\label{offdiagonal} The six steps of an off-diagonal sector
655     evaluation.}
656 \end{figure}
657
658 As mentioned in Algorithm~\ref{prop-algo}, evaluating a sector
659 mainly consists of constructing local $R$-matrices and computing
660 one output $R$-matrix, $\Re^{O}$. In this first step of the porting
661 process, referred to as GPU V1\label{gpuv1},
662 we consider only the computation of $\Re^{O}$ on the GPU.
663 We distinguish the following six steps, related to equations
664 (\ref{eq_CAPS_1}), (\ref{eq_CAPS_2}), and (\ref{eq_CAPS_3}), and illustrated in
665 Fig.~\ref{offdiagonal} for an off-diagonal sector.
666
667 \begin{description}
668 \item[Step 1] (``Input copies''):~data are copied from $\Re^{I}$
669   to temporary arrays ($A$, $U$, $V$) and to $\Re^{O}$.
670   These copies, along with possible scalings or transpositions, are
671   implemented as CUDA kernels which can be applied to two
672   matrices of any size starting at any offset. 
673   Memory accesses are coalesced\index{GPU!coalesced memory accesses} \cite{CUDA_ProgGuide} in order to
674   provide the best performance for such memory-bound kernels.
675 \item[Step 2] (``Local copies''):~data are copied from
676   local $R$-matrices to temporary arrays ($U$, $V$) and to $\Re^{O}$.
677   Moreover data from local $R$-matrix
678   $\mathbf{r}_{II}$ 
679   is added to matrix $A$ (via a CUDA kernel) and zeroes are written in
680    $\Re^{O}$  where required.
681 \item[Step 3] (``Linear system solving''):~matrix $A$ is factorized
682   using the MAGMA DGETRF\index{MAGMA functions!DGETRF} 
683    routine and the result is stored in-place.
684 \item[Step 4] (``Linear system solving,'' cont.):~the matrix system
685  of linear equations  $AW$ = $V$ is solved using the MAGMA DGETRS\index{MAGMA functions!DGETRS} 
686 routine. The  solution is stored in matrix $V$.
687 \item[Step 5] (``Output matrix product''):~matrix $U$
688   is multiplied by matrix $V$ using the CUBLAS\index{CUBLAS} DGEMM 
689   routine. The result is stored in a temporary matrix~$t$.
690 \item[Step 6] (``Output add''):~$t$ is added to $\Re^{O}$ (CUDA
691   kernel).
692 \end{description}
693
694 All the involved matrices are stored in the GPU memory. Only the
695 local $R$-matrices are first constructed on the host and then sent
696 to the GPU memory, since these matrices vary from sector to sector.
697 The evaluation of the axis and diagonal sectors is similar.
698 However, fewer operations and copies are required because of
699 symmetry considerations \cite{2DRMP}.
700
701 \subsection{Constructing the local $R$-matrices on GPU}
702
703 \begin{figure}[h]
704  \centering
705   \includegraphics[width=0.7\linewidth]{Chapters/chapter15/figures/amplitudes_nb.pdf} 
706  \caption{\label{amplitudes} Constructing the local $R$-matrix R34
707  from the $j$ amplitude array associated with edge 4 and the $i$
708  amplitude array associated with edge~3.}
709 \end{figure}
710
711 Local $R$-matrices are constructed using two three-dimensional arrays,
712 $i$ and $j$. Each three-dimensional array contains four
713 matrices corresponding to the surface amplitudes associated with the
714 four edges of a sector. Those matrices are named {\em amplitude arrays}.
715  $j$ amplitude arrays are read from data files and $i$ amplitude arrays
716 are obtained by scaling each row of the $j$ amplitude arrays. 
717 The main part of the construction of a local $R$-matrix,
718 presented in Fig.~\ref{amplitudes},
719 is a matrix product between
720 one $i$ amplitude array and one transposed $j$ amplitude array 
721 which is performed by a single DGEMM 
722 BLAS\index{BLAS} call. 
723 In this version, hereafter referred to as GPU
724 V2\label{gpuv2}, $i$ and $j$ amplitude arrays are transferred to the
725 GPU memory and the required matrix multiplications are performed on
726 the GPU (via CUBLAS\index{CUBLAS} routines).
727
728
729 The involved matrices have medium sizes (either $3066 \times 383$ or
730 $5997 \times 383$), and
731 performing these matrix multiplications
732 on the GPU is expected to be faster than on the CPU.
733 However, this implies a greater communication volume
734 between the CPU and the GPU
735 since the $i$ and $j$ amplitude arrays are larger than the local
736 $R$-matrices.
737 It can be noticed that correction data are also used in the
738 construction of a local $R$-matrix,
739 but this is a minor part in the
740 computation. However, these correction data also have to be
741 transferred from the CPU to the GPU for each sector.
742
743 \subsection{Scaling amplitude arrays on GPU}
744 It  
745 should be worthwhile to try to reduce the CPU-GPU data
746 transfers of the GPU V2, where the $i$ and $j$ amplitude arrays are
747 constructed on the host and then sent to the GPU memory for each sector. 
748 In this new version, hereafter referred to as GPU V3\label{gpuv3}, we
749 transfer only the $j$ amplitude arrays and the
750 required scaling factors (stored in one 1D array) to the GPU memory,
751 so that the $i$ amplitude arrays are
752 then directly computed on the GPU by multiplying the $j$ amplitude
753 arrays by these scaling factors (via a CUDA kernel).
754 Therefore, we save the transfer of four $i$ amplitude arrays on
755 each sector by transferring  only this 1D array of scaling factors. 
756 Moreover, scaling $j$ amplitude arrays is expected to be faster on the
757 GPU than on the CPU, thanks to the massively parallel architecture of
758 the GPU and its higher internal memory bandwidth.
759
760 \subsection{Using double-buffering\index{double-buffering} to overlap I/O and computation}
761
762 \begin{figure}[t]
763   \centering
764   \includegraphics[width=0.8\linewidth]{Chapters/chapter15/figures/C1060_V3_IO_COMP.pdf} 
765   \caption{\label{overlapping} Compute and I/O times for the GPU V3 on
766     one C1060.}  
767 \end{figure} 
768
769 As described in Algorithm~\ref{prop-algo}, there are two main steps in
770 the propagation across a sector: reading  amplitude arrays
771 and correction data from I/O files and
772 evaluating the current sector.
773 Fig.~\ref{overlapping} shows the I/O times and the evaluation times
774 of each sector for the huge case execution (210 sectors, 20 strips) of the GPU V3 
775 on one C1060. 
776 Whereas the times required by the off-diagonal sectors are similar
777 within each of the 20 strips, 
778 the times for diagonal sectors of each strip
779 are the shortest ones, the times for the axis sectors being
780 intermediate.
781 The I/O times are roughly constant among all strips.
782 The evaluation time is equivalent to the I/O
783 time for the first sectors. But this evaluation time grows 
784 linearly with the strip number and rapidly exceeds the I/O 
785 time.
786
787 It is thus interesting to use a double-buffering\index{double-buffering} technique to overlap the 
788 I/O time with the evaluation time:
789 for each sector, the evaluation of sector $n$ is performed
790 (on GPU) simultaneously with the reading of data for sector
791 $n+1$ (on CPU). This requires the duplication in the CPU memory of all the
792 data structures
793 used for storing data read from I/O files for each sector.
794 This version, hereafter referred to as GPU
795 V4\label{gpuv4}, uses POSIX threads\index{POSIX threads}. Two threads are
796 executed concurrently: an I/O thread that reads data from I/O files
797 for each sector, and a computation thread, dedicated to the propagation
798 of the global $R$-matrix, that performs successively for each sector
799 all necessary computations on GPU, 
800 as well as all required CPU-GPU data transfers.
801 The evaluation of a sector uses the data read for this sector as well
802 as the global $R$-matrix computed on the previous sector.
803 This dependency requires synchronizations between the I/O thread and
804 the computation thread which are implemented through standard POSIX
805 thread mechanisms.
806
807
808 \subsection{Matrix padding\index{padding}}
809 The  MAGMA DGETRF\index{MAGMA functions!DGETRF}/DGETRS\index{MAGMA functions!DGETRS} 
810 performance and the CUBLAS DGEMM performance 
811 are reduced when the sizes (or
812 the leading dimensions) of the matrix are not multiples of the inner blocking size \cite{NTD10a}.
813 This inner blocking size can be 32 or 64, depending on the computation
814 and on the underlying  
815 GPU architecture \cite{MAGMA,NTD10b}. 
816 In this version (GPU V5\label{gpuv5}), 
817 the matrices are therefore padded with $0.0$ (and $1.0$ on the diagonal for the linear systems)
818 so that their sizes are 
819 multiples of 64.
820 This corresponds indeed to the optimal size for the matrix product on the
821 Fermi architecture \cite{NTD10b}. And as far as linear system solving is 
822 concerned, all the matrices have sizes which are multiples of 383: we
823 therefore use padding\index{padding} to obtain multiples of 384 (which are 
824 again  multiples of 64). 
825 It can be noticed that this padding\index{padding} has to be performed dynamically
826 as the matrices increase in size during the propagation 
827 (when possible the
828  maximum required storage space is, however, allocated only once in the
829  GPU memory). 
830
831 \section{Performance results}
832 \subsection{PROP deployment on GPU}
833
834 \begin{table}[ht]
835 \begin{center}
836 \begin{tabular}{|c||c|c||}
837  \hline
838   PROP Version & \multicolumn{2}{c|}{Execution Time} \\
839   \hline
840   \hline
841   CPU Version: 1 Core & \multicolumn{2}{c|}{201m32s} \\
842   \hline
843   CPU Version: 4 Cores &  \multicolumn{2}{c|}{113m28s} \\
844   \hline \hline
845 GPU Version  & C1060 & C2050 \\
846   \hline\hline
847   GPU V1 (\S~\ref{gpuv1}) & 79m25s & 66m22s  \\
848   \hline
849   GPU V2 (\S~\ref{gpuv2}) & 47m58s & 29m52s \\
850   \hline
851   GPU V3 (\S~\ref{gpuv3}) & 41m28s & 23m46s \\
852   \hline
853   GPU V4 (\S~\ref{gpuv4}) & 27m21s & 13m55s\\
854   \hline
855   GPU V5 (\S~\ref{gpuv5}) & 24m27s & 12m39s  \\
856   \hline
857 \end{tabular}
858 \end{center}
859 \caption{Execution time of PROP on CPU and GPU.}
860 \label{table:time} 
861 \end{table}
862
863
864 %% \begin{table}[ht]
865 %% \begin{center}
866 %% \begin{tabular}{|c||c|c||}
867 %%  \hline
868 %%   PROP version & \multicolumn{2}{c|}{Execution time} \\
869 %%   \hline  \hline
870 %% CPU version & 1 core & 4 cores  \\\hline
871 %% & {201m32s} & {113m28s} \\ \hline  \hline
872 %% GPU version  & C1060 & C2050 \\
873 %%   \hline\hline
874 %%   GPU V1 (\ref{gpuv1}) & 79m25s & 66m22s  \\
875 %%   \hline
876 %%   GPU V2 (\ref{gpuv2}) & 47m58s & 29m52s \\
877 %%   \hline
878 %%   GPU V3 (\ref{gpuv3}) & 41m28s & 23m46s \\
879 %%   \hline
880 %%   GPU V4 (\ref{gpuv4}) & 27m21s & 13m55s\\
881 %%   \hline
882 %%   GPU V5 (\ref{gpuv5}) & 24m27s & 12m39s  \\
883 %%   \hline
884 %% \end{tabular}
885 %% \end{center}
886 %% \caption{Execution time of the successive GPU versions}
887 %% \label{table:time} 
888 %% \end{table}
889
890 \begin{figure}[h]
891 \centering
892 \subfigure[Speedup over 1 CPU core]{
893 \includegraphics*[width=0.76
894         \linewidth]{Chapters/chapter15/figures/histo_speedup_1core.pdf}
895    \label{fig:speedup_1core}
896  }
897
898 \subfigure[Speedup over 4 CPU cores]{
899 \includegraphics*[width=0.76
900         \linewidth]{Chapters/chapter15/figures/histo_speedup_4cores.pdf}
901  \label{fig:speedup_4cores}
902  }
903 \label{fig:speedup}
904 \caption{Speedup of the successive GPU versions.}
905 \end{figure}
906
907 Table~\ref{table:time} presents 
908 the execution times 
909 of PROP on CPUs and GPUs, 
910 each version solves the propagation equations in the 
911 form~(\ref{eq_CAPS_1}-\ref{eq_CAPS_3}) as proposed by CAPS. 
912 Figure~\ref{fig:speedup_1core} (respectively, \ref{fig:speedup_4cores})
913 shows the speedup of the successive GPU versions
914 over one CPU core (respectively, four CPU cores). 
915 We use here Intel Q8200 quad-core CPUs (2.33 GHz), one C1060 GPU, and
916 one C2050 (Fermi) GPU, located at 
917  UPMC (Universit\'e Pierre et Marie Curie, Paris, France). 
918 As a remark, the execution times measured on the C2050 would be the same 
919 on the C2070 and on  the C2075, the only difference between these GPUs 
920 being their memory size and their TDP (Thermal Design Power)\index{TDP (thermal design power)}. 
921 We emphasize that the execution times correspond to the
922 complete propagation for all six energies of the large case (see
923 Table~\ref{data-sets}), that is to say to the complete execution of
924 the PROP program.  
925 Since energies are independent, execution times for more energies
926 (e.g. the huge case) should be proportional
927 to those reported in Table~\ref{table:time}.  
928
929 These tests, which have been performed with CUDA 3.2, CUBLAS\index{CUBLAS} 3.2, and 
930 MAGMA 0.2, 
931 show that the successive GPU versions of PROP offer 
932 increasing, and at the end interesting, speedups.
933 More precisely, 
934 V2 shows that it is worth increasing slightly the
935 CPU-GPU communication volume in order to perform
936 large enough matrix products on the GPU. 
937  This communication volume can fortunately be
938 reduced thanks to~V3,  
939 which also accelerates the computation of
940 amplitude arrays thanks to the GPU. 
941 The 
942 double-buffering\index{double-buffering} technique implemented in V4
943  effectively enables the overlapping of 
944 I/O operations with computation, while the 
945 padding\index{padding} implemented in V5 also improves the computation times.
946 It 
947 is noticed that the padding\index{padding}  
948 does offer much more performance gain with,  
949 for example,  CUDA 3.1 and the MAGMA DGEMM\index{MAGMA functions!DGEMM}~\cite{NTD10b}:  the
950 speedup with respect to one 
951 CPU core was increased from 6.3 to 8.1 on C1060 and from 9.5 to 14.3
952 on C2050. 
953 Indeed  CUBLAS\index{CUBLAS} 3.2 performance has been improved through MAGMA code %~\cite{NTD10a}. 
954 %for non block multiple matrix sizes through MAGMA code~\cite{NTD10a}. 
955 for matrix sizes which are not  multiples of the inner blocking size~\cite{NTD10a}.  
956 Although for all versions the C2050 (with its improved
957 double precision\index{precision!double precision} performance) offers up to almost 
958 double speedup compared to 
959 the C1060, the performance obtained with both architectures justifies the use of 
960 the GPU for such an application.
961
962 \subsection{PROP execution profile}
963
964 \begin{figure}[t]
965   \centering
966  \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/CPU_1_CORE_TIMES.pdf}
967 \caption{CPU (1 core)  execution times for the off-diagonal sectors of the large case.}
968 \label{fig:CPU-timing}
969 \end{figure}
970
971 \begin{figure}[t]
972   \centering
973   \subfigure[GPU V5 on one C1060]{ 
974 \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/GPU_V5_C1060_TIMES.pdf}
975 \label{GPU-timing}} 
976
977   \subfigure[GPU V5 on one C2050]{
978 \includegraphics*[width=0.64\linewidth]{Chapters/chapter15/figures/GPU_V5_C2050_TIMES.pdf}
979 \label{fermi-timing}} 
980  
981 \caption{GPU execution times for the off-diagonal sectors of
982   the large case.}
983 \label{fig:profileGPU}
984 \end{figure}
985
986 We detail here the execution profile on 
987 the CPU and the GPU for the evaluation of all off-diagonal sectors 
988 (the most representative ones) for a complete energy propagation. 
989  Figures~\ref{fig:CPU-timing} and \ref{fig:profileGPU} show CPU and GPU execution times for the 
990 171 off-diagonal sectors of  the large case (see Table \ref{data-sets}). 
991 ``Copying, adding, scaling'' corresponds to the amplitude
992   array construction (scaling) as well as to Steps 1, 2, and 6 in
993   Sect.~\ref{gpu-RO}, all implemented via CUDA kernels. 
994  ``Amplitude matrix product'' corresponds to the DGEMM call to
995  construct the local $R$-matrices from the $i$ and $j$ amplitude
996  arrays. 
997 ``Linear system solving'' and ``Output matrix product'' correspond
998 respectively to steps 3-4 and to step 5 in Sect.~\ref{gpu-RO}.   
999 ``CPU-GPU transfers''  in Fig.~\ref{fig:profileGPU} 
1000 aggregate transfer times for the $j$ amplitude
1001 arrays and the scaling factors, as well as for the correction data.
1002
1003
1004
1005 On one CPU core (see  Fig.~\ref{fig:CPU-timing}), 
1006  matrix products for the construction of the local
1007 $R$-matrices require the same 
1008 computation time during the whole propagation. Likewise the CPU time required by
1009  matrix products for the output $R$-matrix is constant within each
1010  strip. But as the global $R$-matrix is propagated from strip to
1011  strip, the sizes of
1012 the matrices $U$ and $V$ increase, and so does their multiplication time.
1013 The time required to solve the linear system increases
1014 slightly during the propagation.
1015 These three operations (``Amplitude matrix product,'' ``Output matrix
1016 product,'' and ``Linear system solving'') are clearly dominant in terms
1017 of computation
1018 time compared to the other remaining operations, which justify our
1019 primary focus on these three linear algebra operations.
1020
1021
1022 On the C1060 (see Fig.~\ref{GPU-timing}), we have
1023 generally managed to obtain a similar speedup for all operations
1024 (around 8, which corresponds to Fig.~\ref{fig:speedup_1core}). Only the linear system solving
1025 presents a lower speedup (around~4). 
1026 The CUDA kernels and the remaining CPU-GPU transfers make a minor contribution
1027 to the overall computation time and do not require
1028 additional improvements.
1029
1030 On the C2050 (see Fig.~\ref{fermi-timing}), additional speedup is
1031 obtained for all operations, except for the 
1032 CPU-GPU transfers and the linear system solving.
1033 The CPU-GPU transfers are mainly due to the $j$ amplitude arrays, and
1034 currently still correspond to minor times. When required, the
1035 double-buffering\index{double-buffering} technique may also be used to overlap such transfers with computation on the GPU.
1036
1037
1038
1039 \section{Propagation of multiple concurrent energies on GPU}\index{concurrent kernel execution}
1040
1041 Finally, we present here an improvement that can  
1042 benefit from the Fermi architecture, as well as from the newest Kepler
1043 architecture, 
1044 both of which enable the concurrent execution of multiple 
1045 CUDA kernels\index{concurrent kernel execution}, thus offering additional speedup on  
1046 GPUs for small or medium computation grain kernels.
1047 In our case, the performance gain on the GPU is indeed limited
1048 since most matrices have small or medium sizes. 
1049 By using multiple streams within one CUDA context~\cite{CUDA_ProgGuide},
1050 we can propagate multiple energies
1051 concurrently\index{concurrent kernel execution} on the Fermi GPU. 
1052 It can be noticed that all GPU computations for all streams are
1053 launched by the same host thread. We therefore rely here on the {\em legacy
1054 API} of CUBLAS\index{CUBLAS}~\cite{CUBLAS} (like MAGMA)
1055 without thread safety problems. 
1056 A {\em breadth first} issue order is used for kernel
1057 launches \cite{CUDA_stream}: for a given GPU kernel, all kernel launchs
1058 are indeed issued together in the host thread, using one stream for each
1059 concurrent energy, in order to maximize concurrent kernel
1060 execution\index{concurrent kernel execution}.  
1061 Of course, the memory available on the GPU must be large enough to
1062 store all data structures required by each energy. 
1063 Moreover, multiple streams are also used within the
1064 propagation of each single energy 
1065 in order to enable concurrent executions among the required kernels.
1066
1067
1068 \begin{table}[h]
1069 \begin{center}
1070 \begin{tabular}{|c|c||c|c|c|c|c|}
1071   \hline
1072   \multirow{4}{0.18\linewidth}{Medium Case} & Number of & 
1073   \multirow{2}{0.07\linewidth}{\centering 1} & 
1074   \multirow{2}{0.07\linewidth}{\centering 2} & 
1075   \multirow{2}{0.07\linewidth}{\centering 4} & 
1076   \multirow{2}{0.07\linewidth}{\centering 8} & 
1077   \multirow{2}{0.07\linewidth}{\centering 16} \\  
1078   & Energies & & & & & \\  
1079   \cline{2-7}
1080   & Time (s) &  11.18 & 6.87 & 5.32 & 4.96 & 4.76 \\
1081   \cline{2-7}
1082   & Speedup & - & 1.63 & 2.10 & 2.26 & 2.35 \\
1083   \hline
1084   \hline
1085   \multirow{4}{0.18\linewidth}{Large Case} & Number of & 
1086   \multirow{2}{0.07\linewidth}{\centering 1} & 
1087   \multicolumn{2}{c|}{\multirow{2}{0.07\linewidth}{\centering 2}} & 
1088   \multicolumn{2}{c|}{\multirow{2}{0.07\linewidth}{\centering 3}} \\
1089   & Energies & & \multicolumn{2}{c|}{~} & \multicolumn{2}{c|}{~}  \\  
1090   \cline{2-7}
1091   & Time (s) & 509.51 & \multicolumn{2}{c|}{451.49} & \multicolumn{2}{c|}{436.72}  \\  
1092   \cline{2-7}
1093   & Speedup & - & \multicolumn{2}{c|}{1.13} & \multicolumn{2}{c|}{1.17}  \\  
1094   \hline
1095 \end{tabular}
1096 \caption{\label{t:perfs_V6} Performance results with multiple
1097   concurrent energies 
1098   on one C2070 GPU. GPU initialization times are not considered here. }
1099 \end{center}
1100 \end{table}
1101
1102 In order to have enough GPU memory to run two or three concurrent
1103 energies for the large case, we use one C2070 GPU 
1104 (featuring 6GB of memory) 
1105 with one Intel X5650 hex-core CPU, CUDA 4.1 and CUBLAS\index{CUBLAS} 4.1, as
1106 well as the latest MAGMA release (version 1.3.0). 
1107 Substantial changes have been required 
1108 in the MAGMA calls with respect to the previous versions of PROP that were using MAGMA 0.2. 
1109  Table~\ref{t:perfs_V6} presents the speedups 
1110 obtained on the Fermi GPU for multiple concurrent
1111 energies (up to sixteen since this is the maximum number of concurrent
1112 kernel launches currently supported \cite{CUDA_ProgGuide}). 
1113 With the medium case, speedups greater than 2 are obtained with four
1114 concurrent energies or more. 
1115 With the more realistic large case, the performance gain is lower mainly because of
1116 the increase in matrix sizes, which implies a better GPU usage
1117 with only one energy on the GPU. The concurrent execution of multiple
1118 kernels\index{concurrent kernel execution} is also limited by other operations on the
1119 GPU \cite{CUDA_ProgGuide,CUDA_stream} and by the current MAGMA code which
1120 prevents concurrent MAGMA calls in different streams. 
1121 Better speedups can be expected on the latest Kepler GPUs which
1122 offer additional compute power, and whose {\em Hyper-Q} feature may help
1123 improve further the GPU utilization with concurrent energies. 
1124 To the contrary, the same code on the C1060 shows no speedup
1125  since the concurrent kernel launches are serialized on this previous GPU architecture. 
1126
1127
1128
1129
1130
1131
1132
1133
1134 \section{Conclusion and future work}
1135 \label{conclusion} 
1136
1137 In this chapter, we have presented our methodology and our results in
1138 the deployment on 
1139 a GPU of an application (the PROP program) in atomic physics. 
1140
1141 We have started by studying the numerical stability of PROP using
1142 single precision\index{precision!single precision} arithmetic. This has shown that PROP
1143 using single precision\index{precision!single precision}, while relatively stable for some small cases,
1144 gives unsatisfactory results for realistic simulation cases above the
1145 ionization threshold where there is a 
1146 significant density of pseudo-states. It is
1147 expected that this may not be the case below the ionization threshold
1148 where the actual target states are less dense. This requires further
1149 investigation. 
1150
1151 We have 
1152 therefore deployed the PROP code in double precision\index{precision!double precision} on 
1153 a GPU, with successive improvements. The different GPU versions 
1154 each offer increasing speedups over the CPU version.
1155 Compared to the single (respectively, four) core(s) CPU version, the
1156 optimal GPU implementation 
1157 gives a speedup of 8.2 (resp., 4.6) on one C1060 GPU,
1158 and a speedup of 15.9 (resp., 9.0) on one 
1159 C2050 GPU with improved double-precision\index{precision!double precision} performance.
1160 An additional gain of around 15\% 
1161 can also be obtained on one Fermi GPU
1162 with large memory (C2070) thanks to concurrent kernel execution. 
1163
1164 Such speedups 
1165 cannot be directly compared with the 1.15 speedup 
1166 obtained with the HMPP\index{HMPP} version, since in our tests the CPUs are
1167 different and the CUBLAS\index{CUBLAS} versions are more recent.  
1168 However, the programming effort required 
1169 progressively to deploy PROP on GPUs clearly offers improved and interesting speedups for this 
1170 real-life   application in double precision\index{precision!double precision} with varying-sized matrices. 
1171
1172
1173 We are currently working on a hybrid CPU-GPU version that spreads the
1174 computations of the independent energies on both the CPU
1175 and the GPU. This will enable 
1176 multiple energy execution on the CPU, with 
1177 one or several core(s) dedicated to each energy (via multithreaded
1178 BLAS\index{BLAS} libraries). Multiple 
1179 concurrent energies may also be propagated on each Fermi GPU. 
1180 By merging this work with the current MPI PROP program, we will
1181 obtain a scalable hybrid CPU-GPU version.
1182 This final version will offer an additional level of parallelism, 
1183 thanks to the MPI
1184 standard, in order to exploit multiple
1185 nodes with multiple CPU cores and possibly multiple GPU cards. 
1186
1187 \putbib[Chapters/chapter15/biblio]
1188