DTU vil give udviklere suveræn magt over grafikkortet

Hvordan gør man det nemt for udviklere, der ikke er parallelprogrammerings-nørder, at skubbe tunge beregninger fra computerens CPU over på grafikkortet?

Det spørgsmål søger man svar på en i nyoprettet forskergruppe på DTU med navnet GPU Lab, der netop har fået en pose penge på 5,4 millioner kroner af Forskningsrådet for Teknologi og Produktion.

»Vi vil gerne finde nogle overordnede principper for, hvordan en ikke-ekspert kan programmere en GPU. Det skal selvfølgelig være en person, som kan programmere, men som ikke nødvendigvis har den store datalogiske eller matematiske viden,« siger professor og sektionsleder ved Scientific Computing på DTU, Per Christian Hansen, til Version2.

Målgruppen er både forskere ved universiteter, som har brug for at løse beregningstunge opgaver, og programmører med samme behov i det private erhvervsliv. Herhjemme har akustikvirksomheden Brüel og Kjær og rådgiveren på vand- og miljøområdet DHI foreløbig vist interesse for projektet.

Vil lette arbejdet for programmøren GPU står for Graphics Processing Unit og er betegnelsen for den processor, der sidder på grafikkortet i en pc. Til forskel fra CPU'en i en pc, der for de flestes vedkommende efterhånden er en multicore-processor med to til fire kerner, er GPU'er designet som manycore-processorer med måske 100 kerner, som så til gengæld ikke er så avancerede som kernerne i en CPU.

GPU'en gemmer på store mængder rå beregningskraft, der med fordel kan bruges til videnskabelige beregninger og simuleringer.

Det er der sådan set ikke noget nyt i.

Men på DTU vil man gerne både gøre det nemmere for programmøren at lægge sin beregninger over på GPU'en og optimere kode til forskellige grafikkort, og endelig fremstille nogle værktøjer, der kan afsløre, om der overhovedet er noget at hente ved at belemre GPU'en med en opgave.

Nyt programmeringsparadigme nødvendigt

I forvejen forskes der i problematikken ved en række universiteter på verdensplan, og grafikkortproducenten Nvidia tilbyder for eksempel arkitekturen Cuda, som gør programmører i stand til at skrive C-kode med parallelle tricks gemt i ærmet.

Det er dog stadig et stykke vej fra målet om at gøre det nemmere at fremstille mere optimeret parallel kode til flere forskellige grafikkorttyper uden at være ekspert på området.

»Cuda giver dig i virkeligheden lov til at programmere som til en almindelig CPU, men faren er så, at man kommer til at lave nogle ting, som næsten ikke giver nogen hastighedsforbedring af koden på GPU'en. Derfor har vi brug et nyt paradigme og nogle værktøjer, der bedre understøtter den måde, GPU'er skal programmeres på,« fortæller adjunkt Jeppe R. Frisvad, der arbejder med computergrafik i GPU Lab.

Der skal nu ansættes to ph.d.-studerende og en postdoc i GPU Lab, hvor de to ph.d.'er skal se nærmere på algoritmer og optimering.

Postdoc'en skal dels strikke et værktøj sammen til performanceanalyse, og skal derudover fremstille en såkaldt profiler, der kan lave eksempelvis C++- eller Matlab-kode om til et bestemt grafikkort-arkitektur. Dermed kan koden bag beregningen tilpasses bedst muligt til grafikkortets pipeline og memory-arkitektur.