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

Private GIT Repository
c9e308ca13e0d7b95a43c3ea340ceee05e433d87
[kahina_paper2.git] / maj.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 \usepackage{float} 
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  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 the roots of polynomials is a very important part of solving
43 real-life problems but the higher the degree of the polynomials is,
44 the less easy it becomes. In this paper, we present two different
45 parallel algorithms of the Ehrlich-Aberth method to find roots of
46 sparse and fully defined polynomials of high degrees. Both algorithms
47 are based on CUDA technology to be implemented on multi-GPU computing
48 platforms but each use different parallel paradigms: OpenMP or
49 MPI. The experiments show a quasi-linear speedup by using up-to 4 GPU
50 devices compared to 1 GPU to find the roots of polynomials of degree up-to
51 1.4 million. Moreover, other experiments show it is possible to find the
52 roots of polynomials of degree up-to 5 million.
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 the 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
77 root-finding problems are simultaneous methods, \textit{i.e.} the
78 iterative methods to find simultaneous approximations of the $n$
79 polynomial roots. These methods start from the initial approximation
80 of all $n$ polynomial roots and give a sequence of approximations that
81 converge to the roots of the polynomial. Two examples of well-known
82 simultaneous methods for root-finding problem of polynomials are
83 the Durand-Kerner method~\cite{Durand60,Kerner66} and the Ehrlich-Aberth method~\cite{Ehrlich67,Aberth73}.
84
85
86 The convergence time of simultaneous methods drastically increases
87 with the increasing of the polynomial's degree. The great challenge
88 with simultaneous methods is to parallelize them and to improve their
89 convergence. Many authors have proposed parallel simultaneous
90 methods~\cite{Freeman89,Loizou83,Freemanall90,bini96,cs01:nj,Couturier02},
91 using several paradigms of parallelization (synchronous or
92 asynchronous computations, mechanism of shared or distributed memory,
93 etc). However, so far until now, only polynomials not exceeding
94 degrees of less than 100,000 have been solved.
95
96 %The main problem of the simultaneous methods is that the necessary
97 %time needed for the convergence increases with the increasing of the
98 %polynomial's degree. Many authors have treated the problem of
99 %implementing  simultaneous methods in
100 %parallel. Freeman~\cite{Freeman89} implemented and compared
101 %Durand-Kerner method, Ehrlich-Aberth method and another method of the
102 %fourth order of convergence proposed by Farmer and
103 %Loizou~\cite{Loizou83} on a 8-processor linear chain, for polynomials
104 %of degree up-to 8. The method of Farmer and Loizou~\cite{Loizou83}
105 %often diverges, but the first two methods (Durand-Kerner and
106 %Ehrlich-Aberth methods) have a speed-up equals to 5.5. Later, Freeman
107 %and Bane~\cite{Freemanall90} considered asynchronous algorithms in
108 %which each processor continues to update its approximations even
109 %though the latest values of other approximations $z^{k}_{i}$ have not
110 %been received from the other processors, in contrast with synchronous
111 %algorithms where it would wait those values before making a new
112 %iteration. Couturier and al.~\cite{cs01:nj} proposed two methods
113 %of parallelization for a shared memory architecture with OpenMP and
114 %for a distributed memory one with MPI. They are able to compute the
115 %roots of sparse polynomials of degree 10,000. The authors showed an interesting
116 %speedup that is 20 times as fast as the sequential implementation. 
117
118 The recent advent of the Compute Unified Device Architecture
119 (CUDA)~\cite{CUDA15}, a programming
120 model and a parallel computing architecture developed by NVIDIA, has revived parallel programming interest in
121 this problem. Indeed, the computing power of GPUs (Graphics Processing
122 Units) has exceeded that of traditional  CPUs processors, which makes
123 it very appealing to the research community to investigate new
124 parallel implementations for a whole set of scientific problems in the
125 reasonable hope to solve bigger instances of well known
126 computationally demanding issues such as the one beforehand. However,
127 CUDA provides an efficient massive data computing model which is
128 suited to GPU architectures. 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. 
129
130 In this paper we propose the parallelization of the Ehrlich-Aberth
131 (EA) method which has a much better cubic convergence rate than the
132 quadratic rate of the Durand-Kerner method that has already been investigated in \cite{Kahinall14}. In the other hand,  EA is suitable to be implemented in parallel computers according to the data-parallel paradigm. In this model, computing elements carry computations on the data they are assigned and communicate with other computing elements in order to get fresh data or to synchronize. Classically, two parallel programming paradigms OpenMP and MPI are used to code such solutions. But in our case, computing elements are CUDA multi-GPU platforms. This architectural setting poses new programming challenges but offers also new opportunities to efficiently solve huge problems, otherwise considered intractable until recently. To the best of our knowledge, our CUDA-MPI and CUDA-OpenMP codes are the first implementations of EA method with multiple GPUs for finding roots of polynomials. Our major contributions include:
133  \begin{itemize}
134
135 \item The parallel implementation of EA 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.
136 \item The parallel implementation of EA algorithm on a
137   multi-GPU platform with a distributed memory using MPI API, such
138   that each GPU is attached and managed by a MPI process. The GPUs
139   exchange their data by message-passing communications. This 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.
140 \item
141   Our method is efficient to compute the roots of sparse and full
142   polynomials of degree up to 5 million.
143  \end{itemize}
144
145
146 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. 
147
148
149 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
150 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
151  
152 \section{Parallel programming models}
153 \label{sec2}
154 Our objective consists in implementing a root-finding algorithm of
155 polynomials on multiple GPUs. To this end, it is essential to know how
156 to manage the CUDA contexts of different GPUs. A direct method to control 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.
157  
158 \subsection{OpenMP}
159 OpenMP (Open Multi-processing) is an application programming interface
160 for parallel programming~\cite{openmp13}. It is a portable approach
161 based on the multithreading designed for shared memory computers,
162 where a master thread forks a number of slave threads which execute
163 blocks of code in parallel. An OpenMP program alternates sequential
164 regions and parallel regions of code, where the sequential regions are
165 executed by the master thread and the parallel ones may be executed by
166 multiple threads. During the execution of an OpenMP program the
167 threads communicate their data (read and modified) in the shared
168 memory. One advantage of OpenMP is the global view of the memory
169 address space of an application. This allows  a relatively fast development of parallel applications with easier maintenance. However, it is often difficult to get high rates of performances in large scale-applications. 
170
171 \subsection{MPI} 
172 MPI (Message Passing Interface) is a portable message passing style of
173 the parallel programming designed specifically for distributed memory
174 architectures~\cite{Peter96}. In most MPI implementations, a
175 computation contains a fixed set of processes created at the
176 initialization of the program in such a way that one process is
177 created per processor. The processes synchronize their computations
178 and communicate by sending/receiving messages to/from other
179 processes. In this case, the data are explicitly exchanged by message
180 passing while the data exchanges are implicit in a multithread
181 programming model like OpenMP and Pthreads. However in the MPI
182 programming model, the processes may either execute different programs
183 referred to as multiple program multiple data (MPMD) or every process
184 executes the same program (SPMD). The MPI approach is one of the most used HPC programming model to solve large scale and complex applications.
185  
186 \subsection{CUDA}
187 CUDA (Compute Unified Device Architecture) is a parallel computing
188 architecture developed by NVIDIA~\cite{CUDA15} for GPUs. It provides a
189 high level GPGPU-based programming model to program GPUs for general
190 purpose computations. The GPU is viewed as an accelerator such that
191 data-parallel operations of a CUDA program running on a CPU are
192 off-loaded onto GPU and executed by this latter. The data-parallel
193 operations executed by GPUs are called kernels. The same kernel is
194 executed in parallel by a large number of threads organized in grids
195 of thread blocks, such that each GPU multiprocessor executes one or
196 more thread blocks in SIMD fashion (Single Instruction, Multiple Data)
197 and in turn each core of the multiprocessor executes one or more
198 threads within a block. Threads within a block can cooperate by
199 sharing data through a fast shared memory and coordinate their
200 execution through synchronization points. In contrast, within a grid
201 of thread blocks, there is no synchronization at all between
202 blocks. The GPU only works on data filled in the global memory and the
203 final results of the kernel executions must be transferred out of the
204 GPU. In the GPU, the global memory has lower bandwidth than the shared
205 memory associated to each multiprocessor. Thus with CUDA programming,
206 it is necessary to design carefully the arrangement of the thread
207 blocks in order to ensure a low latency and a proper use of the shared
208 memory. As for the global memory accesses, it should also be minimized.
209
210
211 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
212 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
213
214 \section{The Ehrlich-Aberth algorithm on a GPU}
215 \label{sec3}
216
217 \subsection{The Ehrlich-Aberth method}
218
219 The Ehrlich-Aberth method is a simultaneous method~\cite{Aberth73} using the following iteration
220 \begin{equation}
221 \label{Eq:EA1}
222 z^{k+1}_{i}=z_{i}^{k}-\frac{\frac{p(z_{i}^{k})}{p'(z_{i}^{k})}}
223 {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
224 \end{equation}
225
226 This method contains 4 steps. The first step consists in the
227 initializing the polynomial. The second step initializes the solution
228 vector $Z$ using the Guggenheimer method~\cite{Gugg86} to ensure that
229 initial roots are all distinct from each other. In step 3, the
230 iterative function based on the Newton's method~\cite{newt70} and
231 Weiestrass operator~\cite{Weierstrass03} is applied. In our case, the
232 Ehrlich-Aberth is applied as in~(\ref{Eq:EA1}). Iterations of the
233 EA method will converge to the roots of the considered
234 polynomial. In order to stop the iterative function, a stop condition
235 is applied, this is the 4th step. This condition checks that all the
236 root modules are lower than a fixed value $\epsilon$.
237
238 \begin{equation}
239 \label{eq:Aberth-Conv-Cond}
240 \forall i\in[1,n],~\vert\frac{z_i^k-z_i^{k-1}}{z_i^k}\vert<\epsilon
241 \end{equation}
242
243 \subsection{Improving Ehrlich-Aberth method}
244 With high degree polynomials, the EA 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.
245  
246 In order to solve this problem, we propose to modify the iterative
247 function by using the logarithm and the exponential of a complex and
248 we propose a new version of the EA method.  This method
249 allows us to exceed the computation of the polynomials of degree
250 100,000 and to reach a degree up to more than 1,000,000. The reformulation of the iteration~(\ref{Eq:EA1}) of the EA method with exponential and logarithm operators is defined as follows, for $i=1,\dots,n$:
251
252 \begin{equation}
253 \label{Log_H2}
254 z^{k+1}_i = z_i^k - \exp(\ln(p(z_i^k)) - \ln(p'(z^k_i)) - \ln(1-Q(z^k_i))),
255 \end{equation}
256
257 where:
258
259 \begin{equation}
260 \label{Log_H1}
261 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})).
262 \end{equation}
263
264 Using the logarithm  and the exponential operators, we can replace any
265 multiplications and divisions with additions and
266 subtractions. Consequently, computations manipulate lower values in
267 absolute values~\cite{Karimall98}. In practice, the  exponential and
268 logarithm mode is used when a root is outside the circle unit represented by the radius $R$ evaluated in C language with:
269 \begin{equation}
270 \label{R.EL}
271 R = exp(log(DBL\_MAX)/(2*n) );
272 \end{equation}
273 where \verb=DBL_MAX= stands for the maximum representable
274 \verb=double= value and $n$ is the degree of the polynomial.
275
276
277 \subsection{The Ehrlich-Aberth parallel implementation on CUDA}
278 The algorithm ~\ref{alg1-cuda} shows sketch of the Ehrlich-Aberth method using CUDA.
279 The first step consists in the initialization of the input data, for
280 exemple the polynomial P, the derivative of P and the vector solution Z. Then, all data of the root finding problem
281 are transfered from the CPU memory to the GPU global memory, because
282 the GPUs only work on the data filled in their memories.
283 Next, all the data-parallel arithmetic operations inside the main loop
284 \verb=(while(...))= are executed as kernels by the GPU. The
285 first kernel named \textit{Kernelsave} in line 5 of Algorithm~\ref{alg1-cuda} consists in saving the vector of polynomial roots found at the previous time-step in GPU memory, in
286 order to check the convergence of the roots after each iteration (line
287 7, Algorithm~\ref{alg1-cuda}). Then the new roots with the
288 new iterations are computed using the EA method with a Gauss-Seidel
289 iteration mode in order to use the latest updated roots (line
290 6). This improves the convergence compared to the Jacobi method. This kernel is, in practice, very
291 long since it performs all the operations with complex numbers with
292 the normal mode of the EA method as in Eq.~\ref{Eq:EA1} but also with the logarithm-exponential one as in Eq.(~\ref{Log_H1},~\ref{Log_H2}). The last kernel checks the convergence of the roots after each update of $Z^{k}$, according to formula Eq.~\ref{eq:Aberth-Conv-Cond} line (7). We used the functions of the CUBLAS Library (CUDA Basic Linear Algebra Subroutines) to implement this kernel. The algorithm terminates its computations when all the roots have
293 converged.
294  %The code is organized as kernels which are parts of codes that are run
295 %on GPU devices. Algorithm~\ref{alg1-cuda} describes the CUDA
296 %implementation of the Ehrlich-Aberth on a GPU.  This algorithms starts
297 %by initializing the polynomial and its derivative (line 1). The
298 %initialization of the roots is performed (line 2). Data are transferred
299 %%from the CPU to the GPU (after the allocation of the required memory on
300 %the GPU) (line 3). Then at each iteration, if the error is greater
301 %%than the threshold, the following operations are performed. The previous
302 %roots are saved using a kernel (line 5). Then the new roots with the
303 %new iterations are computed using the EA method with a Gauss-Seidel
304 %iteration mode in order to use the latest updated roots (line
305 %6). This improves the convergence. This kernel is, in practice, very
306 %long since it performs all the operations with complex numbers with
307 %the normal mode of the EA method but also with the
308 %logarithm-exponential one. Then the error is computed with a final
309 %kernel (line 7). Finally when the EA method has converged, the roots
310 %are transferred from the GPU to the CPU.
311 \begin{algorithm}[htpb]
312 \label{alg1-cuda}
313 \LinesNumbered
314 %\SetAlgoNoLine
315 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on a GPU}
316 \KwIn{ $\epsilon$ (tolerance threshold)}
317 \KwOut{$Z$ (solution vector of roots)}
318 Initialize the polynomial $P$ and its derivative $P'$\;
319 Set the initial values of vector $Z$\;
320 Copy $P$, $P'$ and $Z$ from CPU to GPU\;
321 \While{$error > \epsilon$}{
322   $Z^{prev}$ = KernelSave($Z$)\;
323   $Z$ = KernelUpdate($P,P',Z$)\;
324   $error$ = KernelComputeError($Z,Z^{prev}$)\;
325 }
326 Copy $Z$ from GPU to CPU\;
327 \end{algorithm}
328
329 \RC{A revoir (c'est de la blague en l'état) : Figure~\ref{fig:00} shows the second kernel code}
330 \begin{figure}[htbp]
331 \centering
332 \includegraphics[angle=+0,width=0.4\textwidth]{code1}
333 \caption{The Kernel Update code}
334 \label{fig:00}
335 \end{figure}
336
337 %We noticed that the code is executed by a large number of GPU threads organized as grid of to dimension (Number of block per grid (NbBlock), number of threads per block(Nbthread)), the Nbthread is fixed initially, the NbBlock is computed as fallow: 
338 %$ NbBlocks= \frac{N+Nbthreads-1}{Nbthreads} where N: the number of root$
339 %the  such that each thread in grid is in charge of the computation of one root.
340  
341 The development of this code is a rather long task due to the
342 development of all the kernels that compute the parts ported on the
343 GPU.  This comes in particular from the fact that it is very difficult
344 to debug CUDA running threads like threads on a CPU host. In the
345 following section the GPU parallel implementation of the
346 Ehrlich-Aberth method with OpenMP and MPI is presented.
347
348 \section{The Ehrlich-Aberth algorithm on multiple GPUs}
349 \label{sec4}
350 In order  to manage the CUDA contexts of different GPUs, two parallel
351 paradigms are investigated: OpenMP and MPI. In this section we present
352  the \textit{OpenMP-CUDA}  and the \textit{MPI-CUDA} approaches used to implement the Ehrlich-Aberth algorithm on multiple GPUs.
353
354 \subsection{An OpenMP-CUDA approach}
355 Our OpenMP-CUDA implementation of EA algorithm is based on the hybrid
356 OpenMP and CUDA programming model. This algorithm is presented in
357 Algorithm~\ref{alg2-cuda-openmp}.  All the data are shared with OpenMP
358 among all the OpenMP threads. The shared data are the solution vector
359 $Z$, the polynomial to solve $P$, its derivative $P'$, and the error
360 vector $error$. The number of OpenMP threads is equal to the number of
361 GPUs, each OpenMP thread binds to one GPU, and it controls a part of
362 the shared memory. More precisely each OpenMP thread will be
363 responsible for updating its own part of the vector $Z$. This part is
364 called $Z_{loc}$ in the following. Then all GPUs will have a grid of
365 computation organized according to the device performance and the size
366 of data on which it runs the computation kernels.
367
368 To compute one iteration of the EA method each GPU performs the
369 followings steps. First, roots are shared with OpenMP and the
370 computation of the local size for each GPU is performed (line 4). Each
371 thread starts by copying all the previous roots inside its GPU (line
372 5). At each iteration, the following operations are performed. First
373 the vector $Z$ is transferred from the CPU to the GPU (line 7).  Each
374 GPU copies the previous roots (line 8) and it computes an iteration of
375 the EA method on its own roots (line 9).  For that all the other roots
376 are used. The local error is computed on the new roots (line 10) and
377 the maximum of the local errors is computed on all OpenMP threads (line 11). At
378 the end of an iteration, the updated roots are copied from the GPU to
379 the CPU (line 12) and each CPU directly updates its own roots in the shared
380 memory arrays containing all the roots.
381
382
383
384 \begin{algorithm}[htpb]
385 \label{alg2-cuda-openmp}
386 \LinesNumbered
387 %\SetAlgoNoLine
388 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on multiple GPUs using OpenMP}
389 \KwIn{ $\epsilon$ (tolerance threshold)}
390 \KwOut{$Z$ (solution vector of roots)}
391 Initialize the polynomial $P$ and its derivative $P'$\;
392 Set the initial values of vector $Z$\;
393 Start of a parallel part with OpenMP ($Z$, $error$, $P$, $P'$ are shared variables)\;
394 Determine the local part of the OpenMP thread\;
395 Copy $P$, $P'$ from CPU to GPU\;
396 \While{$error > \epsilon$}{
397   Copy $Z$ from CPU to GPU\;
398   $Z^{prev}_{loc}$ = KernelSave($Z_{loc}$)\;
399   $Z_{loc}$ = KernelUpdate($P,P',Z$)\;
400   $error_{loc}$ = KernelComputeError($Z_{loc},Z^{prev}_{loc}$)\;
401   $error = max(error_{loc})$\;
402   Copy $Z_{loc}$ from GPU to $Z$ in CPU\;
403 }
404 \end{algorithm}
405
406
407
408
409
410 \subsection{A MPI-CUDA approach}
411 Our parallel implementation of EA to find the roots of polynomials using a
412 CUDA-MPI approach follows a similar approach to the one used in
413 CUDA-OpenMP. Each processor is responsible for computing its own part of
414 roots using all the roots computed by other processors at the previous
415 iteration. The difference between both approaches lies in the way
416 processors communicate and exchange data. With MPI, processors need to
417 send and receive data explicitly. So in
418 Algorithm~\ref{alg2-cuda-mpi}, after the initialization phase all the
419 processors have the same $Z$ vector. Then they need to compute the
420 parameters used by the $MPI\_AlltoAll$ routines (line 4). In practice,
421 each processor needs to compute its offset and its local
422 size. Processors need to allocate memory on their GPU and need to copy
423 their data on the GPU (line 5). At the beginning of each iteration, a
424 processor starts by transferring the whole vector $Z$ from the CPU to the
425 GPU (line 7). Only the local part of $Z^{prev}$ is saved (line
426 8). After that, a processor is able to compute an updated version of
427 its own roots (line 9) with the EA method. The local error is computed
428 (line 10) and the global error is also computed using $MPI\_Reduce$ (line 11). Then
429 the local roots are transferred from the GPU memory to the CPU memory
430 (line 12) before being exchanged between all processors (line 13) in
431 order to give to all processors the last version of the roots (with
432 the $MPI\_AlltoAll$ routine). If the convergence is not satisfied, a
433 new iteration is executed.
434
435 \begin{algorithm}[htpb]
436 \label{alg2-cuda-mpi}
437 \LinesNumbered
438 %\SetAlgoNoLine
439 \caption{Finding roots of polynomials with the Ehrlich-Aberth method on multiple GPUs using MPI}
440
441 \KwIn{  $\epsilon$ (tolerance threshold)}
442
443 \KwOut {$Z$ (solution vector of roots)}
444
445 \BlankLine
446 Initialize the polynomial $P$ and its derivative $P'$\;
447 Set the initial values of vector $Z$\;
448 Determine the local part of the MPI process\;
449 Computation of the parameters for the $MPI\_AlltoAll$\;
450 Copy $P$, $P'$ from CPU to GPU\;
451 \While {$error > \epsilon$}{
452   Copy $Z$ from CPU to GPU\;
453   $Z^{prev}_{loc}$ = KernelSave($Z_{loc}$)\;
454   $Z_{loc}$ = KernelUpdate($P,P',Z$)\;
455   $error_{loc}$ = KernelComputeError($Z_{loc},Z^{prev}_{loc}$)\;
456   $error=MPI\_Reduce(error_{loc})$\;
457   Copy $Z_{loc}$ from GPU to CPU\;
458   $Z=MPI\_AlltoAll(Z_{loc})$\;
459 }
460 \end{algorithm}
461
462
463 \section{Experiments}
464 \label{sec5}
465 We study two categories of polynomials: sparse polynomials and full polynomials.\\
466 {\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:
467 \begin{equation}
468         \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})
469 \end{equation}\noindent
470 {\it A full polynomial} is, in contrast, a polynomial for which all the coefficients are not null. A full polynomial is defined by:
471
472 \begin{equation}
473      {\Large \forall \alpha_{i} \in \mathbb{C}, i\in \mathbb{N};  p(x)=\sum^{n}_{i=0} \alpha_{i}.x^{i}} 
474 \end{equation}
475
476 For our tests, a CPU Intel(R) Xeon(R) CPU
477 X5650@2.40GHz and 4 GPUs cards Tesla Kepler K40, are used with CUDA version 7.5.
478  
479  In order to evaluate both the GPU and Multi-GPU approaches, we performed a set of
480 experiments on a single GPU and multiple GPUs using OpenMP or MPI with
481 the EA algorithm, for both sparse and full polynomials of different
482 degrees.  All experimental results obtained are performed with double
483 precision floating-point data and the convergence threshold of the EA method is
484 set to $10^{-7}$.  The initialization values of the vector solution of
485 the methods are given by the Guggenheimer method~\cite{Gugg86}.
486
487 \subsection{Evaluation of the multi-GPUs approaches}
488 In this part, we evaluate the performances of the CUDA-OpenMP and
489 CUDA-MPI approaches of the EA algorithm on different GPU platforms
490 composed each of 1, 2, 3 or 4 GPUs. In this experiments we report the
491 experimental results of the EA algorithms to find the 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.
492
493 All these figures show that the CUDA-OpenMP and the 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.
494
495 \begin{figure}[htbp]
496 \centering
497 \includegraphics[angle=-90,width=0.5\textwidth]{Sparse_omp}
498 \caption{Execution times in seconds of the Ehrlich-Aberth method to solve sparse polynomials on multiple GPUs with CUDA-OpenMP.}
499 \label{fig:01}
500 \end{figure}
501
502 \begin{figure}[htbp]
503 \centering
504 \includegraphics[angle=-90,width=0.5\textwidth]{Full_omp}
505 \caption{Execution times in seconds of the Ehrlich-Aberth method to solve full polynomials on multiple GPUs with CUDA-OpenMP.}
506 \label{fig:02}
507 \end{figure}
508
509 \begin{figure}[htbp]
510 \centering
511   \includegraphics[angle=-90,width=0.5\textwidth]{Sparse_mpi}
512  \caption{Execution times in seconds of the Ehrlich-Aberth method to solve sparse polynomials on multiple GPUs with CUDA-MPI.}
513 \label{fig:03}
514  \end{figure}
515
516 \begin{figure}[htbp]
517  \centering
518   \includegraphics[angle=-90,width=0.5\textwidth]{Full_mpi}
519  \caption{Execution times in seconds of the Ehrlich-Aberth method for full polynomials on  multiple GPUs with CUDA-MPI.}
520  \label{fig:04}
521  \end{figure}
522
523
524 \subsection{Comparison between the CUDA-OpenMP and the CUDA-MPI approaches}
525 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. 
526
527 \begin{figure}[htbp]
528 \centering
529  \includegraphics[angle=-90,width=0.5\textwidth]{Sparse}
530 \caption{Execution times  to solve sparse polynomials of three distinct degrees on multiple GPUs using OpenMP and MPI with the Ehrlich-Aberth method}
531 \label{fig:05}
532 \end{figure}
533
534 \begin{figure}[htbp]
535 \centering
536  \includegraphics[angle=-90,width=0.5\textwidth]{Full}
537 \caption{Execution times  to solve full polynomials of three distinct degrees on multiple GPUs using OpenMP and MPI with the Ehrlich-Aberth method}
538 \label{fig:06}
539 \end{figure}
540
541 In Figure~\ref{fig:05} there is one curve for CUDA-OpenMP and another one for CUDA-MPI for each polynomial investigated. 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 million, 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.
542
543
544 \subsection{Solving sparse and full polynomials of the same degree on multiple GPUs}
545 In this experiment we compare the execution times of the EA algorithm
546 according to the number of GPUs to solve sparse and full polynomials
547 on multiple GPUs using OpenMP or MPI approaches. We chose three sparse
548 and three full polynomials of degrees 200,000, 800,000 and
549 1,400,000. Figures~\ref{fig:07} and~\ref{fig:08} show the execution
550 times to solve sparse and full polynomials of the same degrees with
551 the CUDA-OpenMP version and the CUDA-MPI version, respectively.
552
553 \begin{figure}[htbp]
554 \centering
555  \includegraphics[angle=-90,width=0.5\textwidth]{OMP}
556 \caption{Execution times to solve sparse and full polynomials of three distinct degrees on multiple GPUs using OpenMP.}
557 \label{fig:07}
558 \end{figure}
559
560 \begin{figure}[htbp]
561 \centering
562  \includegraphics[angle=-90,width=0.5\textwidth]{MPI}
563 \caption{Execution times to solve sparse and full polynomials of three distinct degrees on multiple GPUs using MPI.}
564 \label{fig:08}
565 \end{figure}
566
567 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 efficiency 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.
568
569
570 \subsection{Scalability of the EA method on multiple GPUs to solve very high degree polynomials}
571 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.
572
573 \begin{figure}[htbp]
574 \centering
575  \includegraphics[angle=-90,width=0.5\textwidth]{big}
576  \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}
577 \label{fig:09}
578 \end{figure}
579  
580
581 \section{Conclusion}
582 \label{sec6}
583 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 a single GPU. 
584
585 Our next objective is to extend the model presented here to 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). Actual platforms may probably also contain purely multi-core nodes without any GPU. This heterogeneous setting may lead to the integration of load balancing algorithms so as to allow an optimal use of hardware resources. 
586
587
588 \section*{Acknowledgment}
589 This  paper  is   partially  funded  by  the  Labex   ACTION  program  (contract
590 ANR-11-LABX-01-01) and the Franche-Comte regional council. 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.
591
592
593 \bibliography{mybibfile}
594
595 \end{document}
596
597