Résultats du processus de synthèse de l'article arXiv : 2207.00257v1

Alors que le parallélisme reste la principale source de performance, les implémentations architecturales et les modèles de programmation changent à chaque nouvelle génération de matériel, entraînant souvent une réingénierie coûteuse des applications. La plupart des outils de portabilité des performances nécessitent un portage manuel et onéreux des applications vers un autre modèle de programmation. William S. Moses, Ivan R. Ivanov, Jens Domke, Toshio Endo, Johannes Doerfert et Oleksandr Zinenko ont proposé une solution alternative dans leur article intitulé "High-Performance GPU-to-CPU Transpilation and Optimization via High-Level Parallel Constructs". Cette approche permet de traduire automatiquement les programmes écrits dans un modèle de programmation (CUDA) en un autre (threads CPU) basé sur Polygeist/MLIR sans nécessiter de portage manuel et coûteux. Les résultats montrent qu'elle permet d'obtenir une accélération géométrique moyenne de 76 % par rapport au code OpenMP écrit à la main. De plus, ils ont réussi à faire fonctionner efficacement les noyaux CUDA de PyTorch sur le supercalculateur Fugaku uniquement avec l'intervention automatique de l'utilisateur. Leur couche de compatibilité PyTorch utilisant les noyaux CUDA transpilés dépasse le backend natif CPU PyTorch de 2,7 fois en termes d'efficacité. Cette approche pourrait avoir un impact significatif sur la réduction des coûts et des efforts liés à la portabilité des performances dans le domaine du calcul haute performance.

• Le parallélisme est la principale source de performance, mais les implémentations architecturales et les modèles de programmation changent à chaque nouvelle génération de matériel.
• Cela entraîne souvent une réingénierie coûteuse des applications.
• La plupart des outils de portabilité des performances nécessitent un portage manuel et onéreux des applications vers un autre modèle de programmation.
• Une solution alternative a été proposée dans l'article "High-Performance GPU-to-CPU Transpilation and Optimization via High-Level Parallel Constructs".
• Cette approche permet de traduire automatiquement les programmes écrits dans un modèle de programmation (CUDA) en un autre (threads CPU) basé sur Polygeist/MLIR sans nécessiter de portage manuel et coûteux.
• Les résultats montrent qu'elle permet d'obtenir une accélération géométrique moyenne de 76 % par rapport au code OpenMP écrit à la main.
• Ils ont réussi à faire fonctionner efficacement les noyaux CUDA de PyTorch sur le supercalculateur Fugaku uniquement avec l'intervention automatique de l'utilisateur.
• Leur couche de compatibilité PyTorch utilisant les noyaux CUDA transpilés dépasse le backend natif CPU PyTorch de 2,7 fois en termes d'efficacité.
• Cette approche pourrait avoir un impact significatif sur la réduction des coûts et des efforts liés à la portabilité des performances dans le domaine du calcul haute performance.

Résumé: Les ordinateurs peuvent être plus rapides en utilisant une méthode appelée "parallélisme", mais cela peut rendre les applications difficiles à utiliser sur différents types d'ordinateurs. Il existe des outils pour aider à résoudre ce problème, mais ils peuvent être coûteux et nécessitent beaucoup de travail manuel. Une nouvelle solution a été proposée qui permet de traduire automatiquement les programmes écrits dans un type d'ordinateur en un autre, sans avoir besoin de faire beaucoup de travail manuel. Cette solution a permis d'accélérer les programmes jusqu'à 76%. Ils ont également réussi à utiliser cette solution pour accélérer PyTorch sur un supercalculateur. Définitions- Parallélisme: une méthode informatique qui utilise plusieurs processeurs pour effectuer des tâches simultanément. - Implémentations architecturales: la façon dont l'ordinateur est conçu et construit. - Modèles de programmation: la façon dont le programme est écrit et organisé. - Portabilité des performances: la capacité d'un programme à fonctionner efficacement sur différents types d'ordinateurs. - Transpilation: la conversion automatique d'un programme écrit dans un langage informatique en un autre langage informatique.

High-Performance GPU-to-CPU Transpilation et Optimisation via High-Level Parallel Constructs

Alors que le parallélisme reste la principale source de performance, les implémentations architecturales et les modèles de programmation changent à chaque nouvelle génération de matériel, entraînant souvent une réingénierie coûteuse des applications. La plupart des outils de portabilité des performances nécessitent un portage manuel et onéreux des applications vers un autre modèle de programmation. William S. Moses, Ivan R. Ivanov, Jens Domke, Toshio Endo, Johannes Doerfert et Oleksandr Zinenko ont proposé une solution alternative dans leur article intitulé "High-Performance GPU-to-CPU Transpilation and Optimization via High-Level Parallel Constructs".

Une approche pour traduire automatiquement les programmes écrits dans un modèle de programmation (CUDA) en un autre (threads CPU)

Cette approche permet de traduire automatiquement les programmes écrits dans un modèle de programmation (CUDA) en un autre (threads CPU) basé sur Polygeist/MLIR sans nécessiter de portage manuel et coûteux. Les résultats montrent qu'elle permet d'obtenir une accélération géométrique moyenne de 76 % par rapport au code OpenMP écrit à la main. De plus, ils ont réussi à faire fonctionner efficacement les noyaux CUDA de PyTorch sur le supercalculateur Fugaku uniquement avec l'intervention automatique de l'utilisateur. Leur couche de compatibilit