Comment le GPGPU va révolutionner le calcul parallèle
Les constructeurs de cartes graphiques, NVIDIA en tête, sont en train de bouleverser le monde des supercalculateurs. Vue d’ensemble de ce marché et de son évolution. Attention : dossier sur six pages !
La puissance déployée par les solutions graphiques de haut de gamme atteint ou dépasse le téraflops en simple précision. Les GPU d’ancienne génération ne supportaient toutefois pas les calculs en double précision, qui demeurent ponctuellement nécessaires. Heureusement, les nouvelles gammes de cartes graphiques corrigent ce problème, même si la capacité de calcul en double précision est en moyenne dix fois moins importante qu’en simple précision. Dans tous les cas, les processeurs classiques ne font pas le poids… pas plus que le Cell.
Les GPU ouvrent donc la porte à des supercalculateurs bien plus compacts que ceux de la génération actuelle, et consommant beaucoup moins d’énergie. Tout ceci se fait au prix de techniques de développement spécifiques. Heureusement, Stream, CUDA et l’OpenCL adoptent tous trois un sous-ensemble du langage C, facile à maitriser.
Dans l’absolu, les scientifiques n’ont que faire de savoir si un cluster nécessite Stream, CUDA ou l’OpenCL. Cette nouvelle technologie aura cependant un intérêt pour les solutions personnelles et le calcul distribué, où le programmeur n’aura plus à créer un logiciel différent pour chacune des offres des deux principaux constructeurs.
NVIDIA, le fer de lance du GPGPU
Pour cette seconde partie de notre dossier, nous allons nous concentrer sur NVIDIA. Pourquoi ce choix ? Certes, AMD propose aujourd’hui des solutions un peu plus puissantes. La compagnie va même passer à la finesse de gravure de 40 nm, quand son concurrent aborde tout juste le 55 nm. NVIDIA a également souffert des problèmes de conception de certains de ses composants. Un trimestre difficile pour la firme.
Toutefois, la société possède une force que nous n’avons pas sentie chez son concurrent. La compagnie dispose d’une véritable stratégie à long terme. Au premier semestre de cette année, nous avons eu le privilège de poser quelques questions à David B. Kirk, chef scientifique chez NVIDIA. Ce dernier effectuait alors un tour des universités européennes. Il a servi de prélude à l’ouverture des centres de compétence CUDA. Aujourd’hui, de multiples universités enseignent l’art du calcul parallèle sur les composants de la firme.
La sortie des GeForce GTX 260 et GTX 280 a également été un pas important, puisque le GPU intégrait (pour la première fois dans le monde des cartes graphiques grand public) une unité de calcul en double précision, une fonction importante pour les scientifiques.
