]> AND Private Git Repository - kahina_paper2.git/blob - paper.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
308e42aeaff23891f47a874157ba13ed831b7a66
[kahina_paper2.git] / paper.tex
1 \documentclass[conference]{IEEEtran}
2 \usepackage[ruled,vlined]{algorithm2e}
3 \hyphenation{op-tical net-works semi-conduc-tor}
4 \bibliographystyle{IEEEtran}
5
6 \usepackage{amsfonts}
7 \usepackage[utf8]{inputenc}
8 \usepackage[T1]{fontenc}
9 \usepackage[textsize=footnotesize]{todonotes}
10 \usepackage{amsmath}
11 \usepackage{amssymb}
12
13 \newcommand{\LZK}[2][inline]{%
14   \todo[color=red!10,#1]{\sffamily\textbf{LZK:} #2}\xspace}
15 \newcommand{\RC}[2][inline]{%
16   \todo[color=blue!10,#1]{\sffamily\textbf{RC:} #2}\xspace}
17 \newcommand{\KG}[2][inline]{%
18   \todo[color=green!10,#1]{\sffamily\textbf{KG:} #2}\xspace}
19 \newcommand{\AS}[2][inline]{%
20   \todo[color=orange!10,#1]{\sffamily\textbf{AS:} #2}\xspace}
21
22
23 \begin{document}
24
25 \title{Two parallel implementations of Ehrlich-Aberth algorithm for root-finding of polynomials on multiple GPUs with OpenMP and MPI}
26
27 \author{\IEEEauthorblockN{Kahina Ghidouche, Abderrahmane Sider }
28   \IEEEauthorblockA{Laboratoire LIMED\\
29     Faculté des sciences exactes\\
30     Université de Bejaia, 06000, Algeria\\
31 Email: \{kahina.ghidouche,ar.sider\}@univ-bejaia.dz}
32 \and
33 \IEEEauthorblockN{Lilia Ziane Khodja, Raphaël Couturier}
34 \IEEEauthorblockA{FEMTO-ST Institute\\
35   University of   Bourgogne Franche-Comte, France\\
36 Email: zianekhodja.lilia@gmail.com\\ raphael.couturier@univ-fcomte.fr}}
37
38
39 \maketitle
40
41 \begin{abstract}
42 Finding roots of polynomials is a very important part of solving
43 real-life problems but it is not so easy for polynomials of high
44 degrees. In this paper, we present two different parallel algorithms
45 of the Ehrlich-Aberth method to find roots of sparse and fully defined
46 polynomials of high degrees. Both algorithms are based on CUDA
47 technology to be implemented on multi-GPU computing platforms but each
48 using different parallel paradigms: OpenMP or MPI. The experiments
49 show a quasi-linear speedup by using up-to 4 GPU devices compared to 1
50 GPU to find roots of polynomials of degree up-to 1.4
51 million. Moreover, other experiments show it is possible to find roots
52 of polynomials of degree up-to 5 millions.
53 \end{abstract}
54
55 \begin{IEEEkeywords}
56   root finding method, Ehrlich-Aberth method, GPU, MPI, OpenMP
57 \end{IEEEkeywords}
58
59 \IEEEpeerreviewmaketitle
60
61
62 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
63 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
64 \section{Introduction}
65
66
67 Finding roots of polynomials of very high degrees arises in many complex problems of various domains such as algebra, biology or physics. A polynomial $p(x)$ in $\mathbb{C}$ in one variable $x$ is an algebraic expression in $x$ of the form:
68 \begin{equation}
69 p(x) = \displaystyle\sum^n_{i=0}{\alpha_ix^i},\alpha_n\neq 0, 
70 \end{equation}
71 where $\{\alpha_i\}_{0\leq i\leq n}$ are complex coefficients and $n$ is a high integer number. If $\alpha_n\neq0$ then $n$ is called the degree of the polynomial. The root-finding problem consists in finding the $n$ different values of the unknown variable $x$ for which $p(x)=0$. Such values are called roots of $p(x)$. Let $\{z_i\}_{1\leq i\leq n}$ be the roots of polynomial $p(x)$, then $p(x)$ can be written as :
72 \begin{equation}
73  p(x)=\alpha_n\displaystyle\prod_{i=1}^n(x-z_i), \alpha_n\neq 0.
74 \end{equation}
75
76 Most of the numerical methods that deal with the polynomial root-finding problem are simultaneous methods, \textit{i.e.} the iterative methods to find simultaneous approximations of the $n$ polynomial roots. These methods start from the initial approximations of all $n$ polynomial roots and give a sequence of approximations that converge to the roots of the polynomial. Two examples of well-known simultaneous methods for root-finding problem of polynomials are  Durand-Kerner method~\cite{Durand60,Kerner66} and Ehrlich-Aberth method~\cite{Ehrlich67,Aberth73}.
77
78
79 The convergence time of simultaneous methods drastically increases with the increasing of the polynomial's degree. the great challenges with simultaneous methods is the primordial need to parallelize it and will improve the convergence time. Many authors have treated to
80 implement simultaneous methods in parallel.
81 Many authors have treated to implement simultaneous methods in parallel(~\cite{Freeman89},~\cite{Loizou83}, ~\cite{Freemanall90}, ~\cite{Raphaelall01},~\cite{Couturier02}), using several paradigms of parallelization   (synchronous or asynchronous calculus, mechanism of shared or distributed memory,...).
82 %but they can not able to solve very high polynomial's degree exceed to 100,000.
83 They are able to solve only polynomial's degree not exceed 20,000.
84
85 %The main problem of the simultaneous methods is that the necessary
86 %time needed for the convergence increases with the increasing of the
87 %polynomial's degree. Many authors have treated the problem of
88 %implementing  simultaneous methods in
89 %parallel. Freeman~\cite{Freeman89} implemented and compared
90 %Durand-Kerner method, Ehrlich-Aberth method and another method of the
91 %fourth order of convergence proposed by Farmer and
92 %Loizou~\cite{Loizou83} on a 8-processor linear chain, for polynomials
93 %of degree up-to 8. The method of Farmer and Loizou~\cite{Loizou83}
94 %often diverges, but the first two methods (Durand-Kerner and
95 %Ehrlich-Aberth methods) have a speed-up equals to 5.5. Later, Freeman
96 %and Bane~\cite{Freemanall90} considered asynchronous algorithms in
97 %which each processor continues to update its approximations even
98 %though the latest values of other approximations $z^{k}_{i}$ have not
99 %been received from the other processors, in contrast with synchronous
100 %algorithms where it would wait those values before making a new
101 %iteration. Couturier and al.~\cite{cs01:nj} proposed two methods
102 %of parallelization for a shared memory architecture with OpenMP and
103 %for a distributed memory one with MPI. They are able to compute the
104 %roots of sparse polynomials of degree 10,000. The authors showed an interesting
105 %speedup that is 20 times as fast as the sequential implementation. 
106 \KG{je viens de modifier le paragraphe ci-dessus pour eviter des similarité avec d'autre article, merci de le relire....}
107
108 Very few work had been performed since then until the appearing of the Compute Unified Device Architecture (CUDA)~\cite{CUDA15}, a parallel computing platform and a programming model invented by NVIDIA. The computing power of GPUs (Graphics Processing Units) has exceeded that of traditional processors CPUs. However, CUDA adopts a totally new computing architecture to use the hardware resources provided by the GPU in order to offer a stronger computing ability to the massive data computing. Ghidouche et al.~\cite{Kahinall14} proposed an implementation of the Durand-Kerner method on a single GPU. Their main results showed that a parallel CUDA implementation is about 10 times faster than the sequential implementation on a single CPU for sparse polynomials of degree 48,000. %\LZK{Y a pas d'autres travaux pour la résolution de polynômes sur GPUs?}
109
110 In this paper we propose the parallelization of Ehrlich-Aberth method which has a good convergence and it is suitable to be implemented in parallel computers. We use two parallel programming paradigms OpenMP and MPI on CUDA multi-GPU platforms. Our CUDA-MPI and CUDA-OpenMP codes are the first implementations of Ehrlich-Aberth method with multiple GPUs for finding roots of polynomials. Our major contributions include:
111  \begin{itemize}
112
113 \item The parallel implementation of Ehrlich-Aberth algorithm on a multi-GPU platform with a shared memory using OpenMP API. It is based on threads created from the same system process, such that each thread is attached to one GPU. In this case the communications between GPUs are done by OpenMP threads through shared memory.
114 \item The parallel implementation of Ehrlich-Aberth algorithm on a
115   multi-GPU platform with a distributed memory using MPI API, such
116   that each GPU is attached and managed by a MPI process. The GPUs
117   exchange their data by message-passing communications.
118 \item
119   Our method is efficient to compute the roots of sparse and full
120   polynomials of degree up to 5 millions.
121  \end{itemize}
122 This latter approach is more used on clusters to solve very complex problems that are too large for traditional supercomputers, which are very expensive to build and run.
123 %\LZK{Pas d'autres contributions possibles? J'ai supprimé les deux premiers points proposés précédemment.
124 %\AS{La résolution du problème pour des polynomes pleins de degré 6M est une contribution aussi à mon avis}}
125
126 The paper is organized as follows. In Section~\ref{sec2} we present three different parallel programming models OpenMP, MPI and CUDA. In Section~\ref{sec3} we present the implementation of the Ehrlich-Aberth algorithm on a single GPU. In Section~\ref{sec4} we present the parallel implementations of the Ehrlich-Aberth algorithm on multiple GPUs using the OpenMP and MPI approaches. In section~\ref{sec5} we present our experiments and discuss them. Finally, Section~\ref{sec6} concludes this paper and gives some hints for future research directions in this topic. 
127
128
129 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
130 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
131  
132 \section{Parallel programming models}
133 \label{sec2}
134 Our objective consists in implementing a root-finding algorithm of polynomials on multiple GPUs. To this end, it is primordial to know how to manage CUDA contexts of different GPUs. A direct method for controlling the various GPUs is to use as many threads or processes as GPU devices. We investigate two parallel paradigms: OpenMP and MPI. In this case, the GPU indices are defined according to the identifiers of the OpenMP threads or the ranks of the MPI processes. In this section we present the parallel programming models: OpenMP, MPI and CUDA.
135  
136 \subsection{OpenMP}
137
138
139 OpenMP (Open Multi-processing) is an application programming interface for parallel programming~\cite{openmp13}. It is a portable approach based on the multithreading designed for shared memory computers, where a master thread forks a number of slave threads which execute blocks of code in parallel. An OpenMP program alternates sequential regions and parallel regions of code, where the sequential regions are executed by the master thread and the parallel ones may be executed by multiple threads. During the execution of an OpenMP program the threads communicate their data (read and modified) in the shared memory. One advantage of OpenMP is the global view of the memory address space of an application. This allows relatively a fast development of parallel applications with easier maintenance. However, it is often difficult to get high rates of performances in large scale-applications. 
140
141 \subsection{MPI} 
142
143
144 MPI (Message Passing Interface) is a portable message passing style of the parallel programming designed especially for the distributed memory architectures~\cite{Peter96}. In most MPI implementations, a computation contains a fixed set of processes created at the initialization of the program in such way one process is created per processor. The processes synchronize their computations and communicate by sending/receiving messages to/from other processes. In this case, the data are explicitly exchanged by message passing while the data exchanges are implicit in a multithread programming model like OpenMP and Pthreads. However in the MPI programming model, the processes may either execute different programs referred to as multiple program multiple data (MPMD) or every process executes the same program (SPMD). The MPI approach is one of most used HPC programming model to solve large scale and complex applications.
145  
146 \subsection{CUDA}
147
148
149 CUDA (Compute Unified Device Architecture) is a parallel computing architecture developed by NVIDIA~\cite{CUDA15} for GPUs. It provides a high level GPGPU-based programming model to program GPUs for general purpose computations. The GPU is viewed as an accelerator such that data-parallel operations of a CUDA program running on a CPU are off-loaded onto GPU and executed by this later. The data-parallel operations executed by GPUs are called kernels. The same kernel is executed in parallel by a large number of threads organized in grids of thread blocks, such that each GPU multiprocessor executes one or more thread blocks in SIMD fashion (Single Instruction, Multiple Data) and in turn each core of the multiprocessor executes one or more threads within a block. Threads within a block can cooperate by sharing data through a fast shared memory and coordinate their execution through synchronization points. In contrast, within a grid of thread blocks, there is no synchronization at all between blocks. The GPU only works on data filled in the global memory and the final results of the kernel executions must be transferred out of the GPU. In the GPU, the global memory has lower bandwidth than the shared memory associated to each multiprocessor. Thus in the CUDA programming, it is necessary to design carefully the arrangement of the thread blocks in order to ensure low latency and a proper usage of the shared memory, and the global memory accesses should be minimized.
150
151
152 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
153 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
154
155 \section{The Ehrlich-Aberth algorithm on a GPU}
156 \label{sec3}
157
158 \subsection{The Ehrlich-Aberth method}
159
160 The Ehrlich-Aberth method is a simultaneous method~\cite{Aberth73} using the following iteration
161 \begin{equation}
162 \label{Eq:EA1}
163 z^{k+1}_{i}=z_{i}^{k}-\frac{\frac{p(z_{i}^{k})}{p'(z_{i}^{k})}}
164 {1-\frac{p(z_{i}^{k})}{p'(z_{i}^{k})}\sum_{j=1,j\neq i}^{j=n}{\frac{1}{(z_{i}^{k}-z_{j}^{k})}}}, i=1,\ldots,n
165 \end{equation}
166
167 This method contains 4 steps. The first step consists in the
168 initializing the polynomial. The second step initializes the solution
169 vector $Z$ using the Guggenheimer method~\cite{Gugg86} to ensure that
170 initial roots are all distinct from each other. In step 3, the
171 iterative function based on the Newton's method~\cite{newt70} and
172 Weiestrass operator~\cite{Weierstrass03} is applied. In our case, the
173 Ehrlich-Aberth is applied as in~(\ref{Eq:EA1}). Iterations of the
174 Ehrlich-Aberth method will converge to the roots of the considered
175 polynomial. In order to stop the iterative function, a stop condition
176 is applied, this is the 4th step. This condition checks that all the
177 root modules are lower than a fixed value $\epsilon$.
178
179 \begin{equation}
180 \label{eq:Aberth-Conv-Cond}
181 \forall i\in[1,n],~\vert\frac{z_i^k-z_i^{k-1}}{z_i^k}\vert<\epsilon
182 \end{equation}
183
184 \subsection{Improving Ehrlich-Aberth method}
185 With high degree polynomials, the Ehrlich-Aberth method suffers from floating point overflows due to the mantissa of floating points representations. This induces errors in the computation of $p(z)$ when $z$ is large.
186  
187
188 In order to solve this problem, we propose to modify the iterative
189 function by using the logarithm and the exponential of a complex and
190 we propose a new version of the Ehrlich-Aberth method.  This method
191 allows us to exceed the computation of the polynomials of degree
192 100,000 and to reach a degree up to more than 1,000,000. The reformulation of the iteration~(\ref{Eq:EA1}) of the Ehrlich-Aberth method with exponential and logarithm operators is defined as follows, for $i=1,\dots,n$:
193
194 \begin{equation}
195 \label{Log_H2}
196 z^{k+1}_i = z_i^k - \exp(\ln(p(z_i^k)) - \ln(p'(z^k_i)) - \ln(1-Q(z^k_i))),
197 \end{equation}
198
199 where:
200
201 \begin{equation}
202 \label{Log_H1}
203 Q(z^k_i) = \exp(\ln(p(z^k_i)) - \ln(p'(z^k_i)) + \ln(\sum_{i\neq j}^n\frac{1}{z^k_i-z^k_j})).
204 \end{equation}
205
206
207
208 Using the logarithm  and the exponential operators, we can replace any
209 multiplications and divisions with additions and
210 subtractions. Consequently, computations manipulate lower values in
211 absolute values~\cite{Karimall98}. In practice, the  exponential and
212 logarithm mode is used a root excepts the circle unit, represented by the radius $R$ evaluated in C language as :
213 \begin{equation}
214 \label{R.EL}
215 R = exp(log(DBL\_MAX)/(2*n) );
216 \end{equation}
217 where \verb=DBL_MAX= stands for the maximum representable \verb=double= value.
218
219
220 \subsection{The Ehrlich-Aberth parallel implementation on CUDA}
221
222
223
224
225 The code is organized as kernels which are parts of code that are run
226 on GPU devices. Algorithm~\ref{alg1-cuda} describes the CUDA
227 implementation of the Ehrlich-Aberth on a GPU.  This algorithms starts
228 by initializing the polynomial and its derivative (line 1). The
229 initialization of the roots is performed (line 2). Data are transferred
230 from the CPU to the GPU (after allocation of the required memory on
231 the GPU) (line 3). Then at each iteration, if the error is greater
232 than a threshold, the following operations are performed. The previous
233 roots are saved using a kernel (line 5). Then the new roots with the
234 new iterations are computed using the EA method with a Gauss-Seidel
235 iteration mode in order to use the lastest updated roots (line
236 6). This improves the convergence. This kernel is, in practice, very
237 long since it performs all the operations with complex numbers with
238 the normal mode of the EA method but also with the
239 logarithm-exponential one. Then the error is computed with a final
240 kernel (line 7). Finally when the EA method has converged, the roots
241 are transferred from the GPU to the CPU.%\LZK{Quand est ce qu'on utilise un normal mode ou logarithm-exponential mode?}
242
243 \begin{algorithm}[htpb]
244 \label{alg1-cuda}
245 \LinesNumbered
246 \SetAlgoNoLine
247 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on a GPU}
248 \KwIn{ $\epsilon$ (tolerance threshold)}
249 \KwOut{$Z$ (solution vector of roots)}
250 Initialize the polynomial $P$ and its derivative $P'$\;
251 Set the initial values of vector $Z$\;
252 Copy $P$, $P'$ and $Z$ from CPU to GPU\;
253 \While{$error > \epsilon$}{
254   $Z^{prev}$ = KernelSave($Z$)\;
255   $Z$ = KernelUpdate($P,P',Z$)\;
256   $error$ = KernelComputeError($Z,Z^{prev}$)\;
257 }
258 Copy $Z$ from GPU to CPU\;
259 \end{algorithm}
260
261
262 The development of this code is a rather long task, as the development
263 of corresponding kernels with CUDA is longer than on a CPU host. This
264 comes in particular from the fact that it is very difficult to debug
265 CUDA running threads like threads on a CPU host.  In the following
266 section the GPU parallel implementation of Ehrlich-Aberth method with
267 OpenMP and MPI is presented.
268
269
270
271
272  
273 \section{The Ehrlich-Aberth algorithm on multiple GPUs}
274 \label{sec4}
275 \subsection{An OpenMP-CUDA approach}
276 Our OpenMP-CUDA implementation of EA algorithm is based on the hybrid
277 OpenMP and CUDA programming model. This algorithm is presented in
278 Algorithm~\ref{alg2-cuda-openmp}.  All the data are shared with OpenMP
279 among all the OpenMP threads. The shared data are the solution vector
280 $Z$, the polynomial to solve $P$, its derivative $P'$, and the error
281 vector $error$. The number of OpenMP threads is equal to the number of
282 GPUs, each OpenMP thread binds to one GPU, and it controls a part of
283 the shared memory. More precisely each OpenMP thread will be
284 responsible to update its owns part of the vector $Z$. This part is
285 called $Z_{loc}$ in the following. Then all GPUs will have a grid of
286 computation organized according to the device performance and the size
287 of data on which it runs the computation kernels.
288
289 To compute one iteration of the EA method each GPU performs the
290 followings steps. First roots are shared with OpenMP and the
291 computation of the local size for each GPU is performed (line 4). Each
292 thread starts by copying all the previous roots inside its GPU (line
293 5). At each iteration, the following operations are performed. First
294 the vector $Z$ is transferred from the CPU to the GPU (line 7).  Each
295 GPU copies the previous roots (line 8) and it computes an iteration of
296 the EA method on its own roots (line 9).  For that all the other roots
297 are used. The local error is computed on the new roots (line 10) and
298 the max of the local errors is computed on all OpenMP threads (lien 11). At
299 the end of an iteration, the updated roots are copied from the GPU to
300 the CPU (line 12) by directly updating its own roots in the shared
301 memory arrays containing all the roots.
302
303
304
305 \begin{algorithm}[htpb]
306 \label{alg2-cuda-openmp}
307 \LinesNumbered
308 \SetAlgoNoLine
309 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on multiple GPUs using OpenMP}
310 \KwIn{ $\epsilon$ (tolerance threshold)}
311 \KwOut{$Z$ (solution vector of roots)}
312 Initialize the polynomial $P$ and its derivative $P'$\;
313 Set the initial values of vector $Z$\;
314 Start of a parallel part with OpenMP ($Z$, $error$, $P$, $P'$ are shared variables)\;
315 Determine the local part of the OpenMP thread\;
316 Copy $P$, $P'$ from CPU to GPU\;
317 \While{$error > \epsilon$}{
318   Copy $Z$ from CPU to GPU\;
319   $Z^{prev}_{loc}$ = KernelSave($Z_{loc}$)\;
320   $Z_{loc}$ = KernelUpdate($P,P',Z$)\;
321   $error_{loc}$ = KernelComputeError($Z_{loc},Z^{prev}_{loc}$)\;
322   $error = max(error_{loc})$\;
323   Copy $Z_{loc}$ from GPU to $Z$ in CPU\;
324 }
325 \end{algorithm}
326
327
328
329
330
331 \subsection{A MPI-CUDA approach}
332
333 Our parallel implementation of EA to find roots of polynomials using a
334 CUDA-MPI approach follows a similar approach to the one used in
335 CUDA-OpenMP. Each process is responsible to compute its own part of
336 roots using all the roots computed by other processors at the previous
337 iteration. The difference between both approaches lies in the way
338 processes communicate and exchange data. With MPI, processors need to
339 send and receive data explicitly. So in
340 Algorithm~\ref{alg2-cuda-mpi}, after the initialization all the
341 processors have the same $Z$ vector. Then they need to compute the
342 parameters used by the $MPI\_AlltoAll$ routines (line 4). In practice,
343 each processor needs to compute its offset and its local
344 size. Processors need to allocate memory on their GPU and need to copy
345 their data on the GPU (line 5). At the beginning of each iteration, a
346 processor starts by transferring the whole vector $Z$ from the CPU to the
347 GPU (line 7). Only the local part of $Z^{prev}$ is saved (line
348 8). After that, a processor is able to compute an updated version of
349 its own roots (line 9) with the EA method. The local error is computed
350 (line 10) and the global error using $MPI\_Reduce$ (line 11). Then
351 the local roots are transferred from the GPU memory to the CPU memory
352 (line 12) before being exchanged between all processors (line 13) in
353 order to give to all processors the last version of the roots (with
354 the MPI\_AlltoAll routine). If the convergence is not satisfied, an
355 new iteration is executed.
356
357 \begin{algorithm}[htpb]
358 \label{alg2-cuda-mpi}
359 \LinesNumbered
360 \SetAlgoNoLine
361 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on multiple GPUs using MPI}
362
363 \KwIn{  $\epsilon$ (tolerance threshold)}
364
365 \KwOut {$Z$ (solution vector of roots)}
366
367 \BlankLine
368 Initialize the polynomial $P$ and its derivative $P'$\;
369 Set the initial values of vector $Z$\;
370 Determine the local part of the MPI process\;
371 Computation of the parameters for the $MPI\_AlltoAll$\;
372 Copy $P$, $P'$ from CPU to GPU\;
373 \While {$error > \epsilon$}{
374   Copy $Z$ from CPU to GPU\;
375   $Z^{prev}_{loc}$ = KernelSave($Z_{loc}$)\;
376   $Z_{loc}$ = KernelUpdate($P,P',Z$)\;
377   $error_{loc}$ = KernelComputeError($Z_{loc},Z^{prev}_{loc}$)\;
378   $error=MPI\_Reduce(error_{loc})$\;
379   Copy $Z_{loc}$ from GPU to CPU\;
380   $Z=MPI\_AlltoAll(Z_{loc})$\;
381 }
382 \end{algorithm}
383
384
385 \section{Experiments}
386 \label{sec5}
387 We study two categories of polynomials: sparse polynomials and full polynomials.\\
388 {\it A sparse polynomial} is a polynomial for which only some coefficients are not null. In this paper, we consider sparse polynomials for which the roots are distributed on 2 distinct circles:
389 \begin{equation}
390         \forall \alpha_{1} \alpha_{2} \in \mathbb{C},\forall n_{1},n_{2} \in \mathbb{N}^{*}; p(z)= (z^{n_{1}}-\alpha_{1})(z^{n_{2}}-\alpha_{2})
391 \end{equation}\noindent
392 {\it A full polynomial} is, in contrast, a polynomial for which all the coefficients are not null. A full polynomial is defined by:
393
394 \begin{equation}
395      {\Large \forall \alpha_{i} \in \mathbb{C}, i\in \mathbb{N};  p(x)=\sum^{n}_{i=0} \alpha_{i}.x^{i}} 
396 \end{equation}
397
398 For our tests, 4 cards GPU Tesla Kepler K40 are used.  In order to evaluate both the GPU and Multi-GPU approaches, we performed a set of experiments on a single GPU and multiple GPUs using OpenMP or MPI with the EA algorithm, for both sparse and full polynomials of different sizes.  All experimental results obtained are performed with double precision float data and the convergence threshold of the EA method is set to $10^{-7}$.  The initialization values of the vector solution of the methods are given by Guggenheimer method~\cite{Gugg86}.
399
400 \subsection{Evaluation of the multi-GPUs approaches}
401 Here we evaluate the performances of the CUDA-OpenMP and CUDA-MPI approaches of the EA algorithm on different GPU platforms composed each of 1, 2, 3 or 4 GPUs. In this experiments we report the experimental results of the EA algorithms to find roots of different sparse and full polynomials of high degrees ranging from 100,000 to 1,400,000. Figures~\ref{fig:01} and~\ref{fig:02} show the execution times to solve, respectively, sparse and full polynomials with the CUDA-OpenMP algorithm, and Figures~\ref{fig:03} and~\ref{fig:04} show those to solve, respectively, sparse and full polynomials with the CUDA-MPI algorithm.
402
403 All these figures show that the CUDA-OpenMP and CUDA-MPI approaches of the EA algorithm, compared to the single GPU version, are efficient and scale well with multiple GPUs. Both approaches allow us to solve sparse and full polynomials of very high degrees. Using 4 GPUs allows us to achieve a quasi-linear speedup.
404
405 \begin{figure}[htbp]
406 \centering
407 \includegraphics[angle=-90,width=0.5\textwidth]{Sparse_omp}
408 \caption{Execution times in seconds of the Ehrlich-Aberth method to solve sparse polynomials on multiple GPUs with CUDA-OpenMP.}
409 \label{fig:01}
410 \end{figure}
411
412 \begin{figure}[htbp]
413 \centering
414 \includegraphics[angle=-90,width=0.5\textwidth]{Full_omp}
415 \caption{Execution times in seconds of the Ehrlich-Aberth method to solve full polynomials on multiple GPUs with CUDA-OpenMP.}
416 \label{fig:02}
417 \end{figure}
418
419 \begin{figure}[htbp]
420 \centering
421   \includegraphics[angle=-90,width=0.5\textwidth]{Sparse_mpi}
422  \caption{Execution times in seconds of the Ehrlich-Aberth method to solve sparse polynomials on multiple GPUs with CUDA-MPI.}
423 \label{fig:03}
424  \end{figure}
425
426 \begin{figure}[htbp]
427  \centering
428   \includegraphics[angle=-90,width=0.5\textwidth]{Full_mpi}
429  \caption{Execution times in seconds of the Ehrlich-Aberth method for full polynomials on  multiple GPUs with CUDA-MPI.}
430  \label{fig:04}
431  \end{figure}
432
433
434 \subsection{Comparison between the CUDA-OpenMP and the CUDA-MPI approaches}
435 In the previous section we saw that both approaches are very efficient to reduce the execution times to solve sparse and full polynomials. In this section we try to compare these two approaches. In this experiment three sparse polynomials and three full polynomials of degrees 200,000, 800,000 and 1,400,000 are investigated. Figures~\ref{fig:05} and~\ref{fig:06} show the comparison between CUDA-OpenMP and CUDA-MPI algorithms of the EA method to solve sparse and full polynomials, respectively. 
436
437 \begin{figure}[htbp]
438 \centering
439  \includegraphics[angle=-90,width=0.5\textwidth]{Sparse}
440 \caption{Execution times  to solve sparse polynomials of three distinct degrees on multiple GPUs using OpenMP and MPI with the Ehrlich-Aberth method}
441 \label{fig:05}
442 \end{figure}
443
444 \begin{figure}[htbp]
445 \centering
446  \includegraphics[angle=-90,width=0.5\textwidth]{Full}
447 \caption{Execution times  to solve full polynomials of three distinct degrees on multiple GPUs using OpenMP and MPI with the Ehrlich-Aberth method}
448 \label{fig:06}
449 \end{figure}
450
451 In Figure~\ref{fig:05} there is one curve for CUDA-OpenMP and another one for CUDA-MPI. We can see that the results are quite similar between OpenMP and MPI for the polynomial degree of 200K. For the degree of 800K, the MPI version is a little bit slower than the OpenMP version but for the degree of 1,4 millions, there is a slight advantage for the MPI version. In Figure~\ref{fig:06}, we can see that when it comes to full polynomials, both approaches are almost equivalent.
452
453
454 \subsection{Solving sparse and full polynomials of the same degree on multiple GPUs}
455 In this experiment we compare the execution times of the EA algorithm according to the number of GPUs to solve sparse and full polynomials on multiple GPUs using OpenMP or MPI approaches. We chose three sparse and three full polynomials of degrees 200,000, 800,000 and 1,400,000. Figures~\ref{fig:07} and~\ref{fig:08} show the execution times to solve sparse and full polynomials of the same degrees with CUDA-OpenMP version and CUDA-MPI version, respectively.
456
457 \begin{figure}[htbp]
458 \centering
459  \includegraphics[angle=-90,width=0.5\textwidth]{OMP}
460 \caption{Execution times to solve sparse and full polynomials of three distinct degrees on multiple GPUs using OpenMP.}
461 \label{fig:07}
462 \end{figure}
463
464 \begin{figure}[htbp]
465 \centering
466  \includegraphics[angle=-90,width=0.5\textwidth]{MPI}
467 \caption{Execution times to solve sparse and full polynomials of three distinct degrees on multiple GPUs using MPI.}
468 \label{fig:08}
469 \end{figure}
470
471 In Figure ~\ref{fig:07} the execution times of the CUDA-OpenMP version to solve sparse polynomials are very low compared to those to solve full polynomials. With sparse polynomials the number of monomials is reduced, consequently the number of operations is reduced and the execution time decreases. Figure~\ref{fig:08} shows the impact of sparsity on the effectiveness of the CUDA-MPI approach. We can see that the impact follows the same pattern, a difference in execution times in favor of the sparse polynomials.
472
473
474 \subsection{Scalability of the EA method on multiple GPUs to solve very high degree polynomials}
475 These experiments report the execution times of the EA method for sparse and full polynomials of high degrees ranging from 1,000,000 to 5,000,000. In Figure~\ref{fig:09} we can see that both approaches (CUDA-OpenMP and CUDA-MPI) are scalable and can solve very high degree polynomials. In addition, with full polynomial as well as sparse ones, both approaches give very similar results.
476
477 \begin{figure}[htbp]
478 \centering
479  \includegraphics[angle=-90,width=0.5\textwidth]{big}
480  \caption{Execution times in seconds of the Ehrlich-Aberth method to solve sparse and full polynomials of high degree on 4 GPUs for degrees ranging from 1M to 5M}
481 \label{fig:09}
482 \end{figure}
483  
484
485 \section{Conclusion}
486 \label{sec6}
487 In this paper, we have presented parallel implementations of the Ehrlich-Aberth algorithm to solve full and sparse polynomials, on a single GPU with CUDA and on multiple GPUs using two parallel paradigms: shared memory with OpenMP and distributed memory with MPI. These architectures were addressed by a CUDA-OpenMP approach and CUDA-MPI approach, respectively. Experiments show that, using parallel programming model like (OpenMP or MPI), we can efficiently manage multiple graphics cards to solve the same problem and accelerate the parallel execution with 4 GPUs and solve a polynomial of degree up-to 5,000,000 four times faster than on single GPU. 
488
489 Our next objective is to extend the model presented here with clusters of GPU nodes, with a three-level scheme: inter-node communications via MPI processes (distributed memory), management of multi-GPU nodes by OpenMP threads (shared memory).
490
491
492 \section*{Acknowledgment}
493 This  paper  is   partially  funded  by  the  Labex   ACTION  program  (contract
494 ANR-11-LABX-01-01). Computations have been performed on the supercomputer facilities of the Mésocentre de calcul de Franche-Comté. We also would like to thank Nvidia for hardware donation under CUDA Research Center 2014.
495
496
497 \bibliography{mybibfile}
498
499 \end{document}
500
501