Saya baru-baru ini menonton video Computerphile yang hebat dengan kata sandi di mana Mike Pound membual tentang superkomputer perusahaannya yang memiliki 4 kartu grafis (tepatnya Titan X).
Sebagai penggemar simulasi numerik, saya bermimpi membangun desktop hanya untuk pekerjaan simulasi. Mengapa Mike Pound mengukur kemampuan komputernya dengan kartu grafis dan bukan prosesornya? Jika saya membuat komputer, barang apa yang lebih saya pedulikan?
Jawaban:
Mike Pound jelas menghargai kemampuan komputasi kartu grafis yang lebih tinggi dari kemampuan komputasi CPU.
Mengapa? Kartu grafis pada dasarnya terdiri dari prosesor BANYAK yang disederhanakan yang semuanya berjalan secara paralel. Untuk beberapa pekerjaan simulasi, banyak perhitungan dapat dengan mudah diparalelkan dan diproses secara paralel pada ribuan core yang tersedia dalam kartu grafis, mengurangi waktu pemrosesan total.
item mana yang harus saya pedulikan? Ini benar-benar tergantung pada beban kerja yang Anda pedulikan, dan bagaimana beban kerja itu dapat / diparalelkan untuk digunakan pada kartu grafis. Jika beban kerja Anda adalah serangkaian perhitungan sederhana yang memalukan, dan perangkat lunak ini ditulis untuk memanfaatkan kartu grafis yang tersedia, maka lebih banyak kartu grafis akan memiliki dampak kinerja yang jauh lebih besar daripada lebih banyak CPU (dolar untuk dolar).
sumber
Lihat https://developer.nvidia.com/cuda-zone (dan google cuda nvidia untuk info lebih lanjut). Arsitektur cuda dan kartu grafis kelas atas cukup banyak digunakan untuk superkomputer desktop. Anda biasanya dapat mengumpulkan beberapa kotak Tflop dengan harga di bawah $ 10K (usd) menggunakan komponen papan tulis di luar rak.
Begitu...
... cuda adalah game terbaik di kota untukmu. Mungkin coba tanyakan lagi di /scicomp// atau situs web stackexchange lain, lebih terlibat langsung dengan hal semacam ini.
(Omong-omong, saya menganggap Anda nyaman dengan gagasan bahwa kita sedang berbicara tentang pemrograman paralel masif di sini, jadi Anda mungkin perlu membiasakan diri dengan paradigma untuk desain algoritma.)
sumber
Dari sudut pandang praktis Anda mungkin harus membayar sedikit perhatian pada motherboard dan CPU mengingat relatif sulitnya peningkatan dibandingkan dengan GPU. Setelah pembelian adalah waktu yang buruk untuk mengetahui Anda tidak memiliki ruang untuk empat GPU atau prosesor yang cukup cepat untuk membuat mereka semua sibuk.
Anda juga harus menyadari bahwa kinerja GPU paling sering dilaporkan dalam FLOP presisi tunggal, dan turun sedikit untuk presisi ganda. Jika Anda membutuhkan ketepatan ekstra dalam simulasi, Anda akan berakhir jauh di bawah kecepatan yang diiklankan.
Pergi ke balapan rekayasa perangkat lunak
Sebenarnya ada dua perhatian utama dari sudut pandang perangkat lunak, bottleneck Von Neumann dan model pemrograman. CPU memiliki akses yang cukup baik ke memori utama, GPU memiliki sejumlah besar memori onboard yang lebih cepat. Bukan tidak diketahui bahwa waktu memindahkan data masuk dan keluar dari GPU sepenuhnya meniadakan setiap kemenangan kecepatan. Secara umum CPU adalah pemenang untuk perhitungan moderat pada sejumlah besar data sementara GPU unggul dalam perhitungan berat pada jumlah yang lebih kecil. Semuanya membawa kita ke model pemrograman.
Pada tingkat tinggi masalahnya adalah debat MIMD / SIMD kuno dan terhormat. Multiple-Instruction / Multiple-Data sistem telah menjadi pemenang besar dalam komputasi umum dan komersial. Dalam model ini, yang mencakup SMP, ada beberapa prosesor yang masing-masing mengeksekusi aliran instruksi masing-masing. Ini setara dengan komputer dari dapur Prancis, tempat Anda mengarahkan sejumlah kecil koki terampil untuk menyelesaikan tugas yang relatif rumit.
Sistem Single-Instruction / Multiple-Data, di sisi lain, lebih mirip sebuah ruangan besar penuh pegawai yang dirantai ke meja mereka mengikuti instruksi dari master controller. "Semua orang TAMBAH baris 3 dan 5!" Itu digunakan dalam bentuk murni di ILLIAC dan beberapa sistem "mini-super" tetapi hilang di pasar. GPU saat ini adalah sepupu dekat, mereka lebih fleksibel tetapi memiliki filosofi umum yang sama.
Singkatnya:
sumber