GPUにおけるカーネル外最適化の性能ポータビリティ：分子ドッキングのケーススタディ

要旨：繰り返し実行されるマルチカーネルGPUパイプラインとして構築された不規則な科学アプリケーションにおいて、スループットはカーネル外の決定と同程度にカーネルの効率に依存するため、性能の移植性を実現することは困難です。分子ドッキングを代表的なケーススタディとして取り上げ、バッチ処理ポリシー、ワーカーの同時実行数、および各ワーカーのメモリ割り当てを明示的な最適化パラメータとして扱い、バックエンド依存の占有度駆動型選択を、明示的なリソース制約に基づくより移植性の高い実行戦略に置き換えるカーネル外チューニング手法を提案します。この手法をmuDockミニアプリにおいてマネージャ/ワーカー実行モデルで実装し、複数のホストワーカーが独立したストリームを通じてGPUを共有するようにしました。その後、NVIDIA、AMD、IntelのGPU上でCUDA、HIP、SYCL実装に対し評価を行いました。評価対象となったすべてのプラットフォーム/バックエンド組み合わせにおいて、メモリ制約に基づく定式化は占有度ガイドベースラインのピークスループットを上回りました。完全にチューニングされた手法は、テストしたすべての構成でエンドツーエンドのスループットを向上させ、ベースラインに対して平均1.53倍の高速化を達成しました。 投稿履歴 論文へのアクセス： PDFを表示 HTML（実験的） TeXソース 追加機能 音声要約 現在の閲覧コンテキスト： 参考文献・引用情報 Google Scholar Semantic Scholar ブックマーク 機関 arXivLabsは、共同研究者が当社ウェブサイト上で新しいarXiv機能を直接開発・共有できるフレームワークです。 arXivLabsを利用する個人および組織は、オープン性、コミュニティ、卓越性、ユーザーデータプライバシーという当社の価値観を積極的に受け入れています。arXivはこれらの価値観を堅持しており、それに準拠するパートナーのみと協力しています。 arXivコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか？詳細をご覧ください arXivLabsについて。