异构平台的风行与挑战

　　今天，当高校进行超级计算机采购的时候，会发现，整个市场上开始在提供一个异构的平台。这就是GPU加CPU的融合平台。

　　一位曾在Intel工作，现在又在AMD 工作的资深技术人员表示，未来的处理器将会结束内核之战，转向异构平台之战。他预测，处理器新的竞争热点是异构计算，处理器芯片将不再由架构相同的内核组成，而是会由多种架构的内核组成，分别负责加密、视频渲染和网络等任务。

　　这句话是有迹可循的。使用GPU的异构架构在高性能计算中已是一种主流技术。比如最近的TOP500前五名中有三台机器都是GPU异构集群。美国橡树岭国家实验室刚宣布了他们计划在2012年用nVIDIA的GPU来搭建一台峰值20 Pflop/s的集群。在我国，天津超算中心2010年使用了7168个nVIDIA的GPU搭建了峰值4.7 Pflop/s，Linpack实测性能2.57 Pflop/s的天河1A 系统。

　　这套系统在2010 年的Supercomput ing 大会上排在了TOP500的第一名。

　　由此可见，未来整个市场将向异构平台迁移，高校的HPC采购也不可能跨越这一门槛，而在异构平台下的编程，将会变成一个新问题。

　　上海交通大学网格中心副主任林新华表示， 异构与异构众核的硬件更新换代频率惊人，甚至超越了CPU的摩尔定律，因此软件研发将不可避免地会在编程策略、目的和工具上遇到各自的挑战。

　　很多人都看好GPU，但是其昂贵的编程和代码维护正在成为越来越明显的绊脚石。所以有越来越多的精力被放到异构平台的建立上。

　　nVIDIA在2007年推出了在GPU上的并行编程模型CUDA。除了CUDA外，开发人员也还有很多其它选择。如OpenCL是一个类似CUDA的GPU编程标准。微软也推出了针对GPU的编程语言DirectCompute以及即将推出的C++ AMP语言。PGI Fortran允许开发人员直接用Fortran的语法写GPU kernel。PGI accelerator类似OpenMP, 开发人员只需要在耗时的循环外插入一些pragma，就能将其移植到GPU上。HMPP是类似PGI accelerator的另一种解决方案。PyCUDA 是Python 的CUDA接口。此外，PGI最近还发布了CUDA-x86。这个产品可以把CUDA代码编译在x86 CPU上执行。这样一个代码版本就可以既在GPU又在CPU上运行。

　　事实上，目前的编程工具都不是太好，体现在技术人员需要很大的努力才能达到自己的目标。“真正厉害的工具是我们很容易就能达到一个目标，而不是费尽千辛万苦才能达到一个目标，这样的话，我们只能说这个人很厉害，而不是这个工具厉害。现在的异构平台编程工具就是这样。”林新华说。

　　“异构平台的优势在于计算能力的能耗低、性价比高；挑战在于大量并行软件需要为异构平台重新开发，而异构多核环境下并行程序的开发是非常难的。”中山大学广东省计算科学重点实验室高性能计算应用研发中心主任张永东介绍说，“中山大学自主研发的PCF 并行编程环境，简化了OpenCL的调用过程，较好地解决了异构多核编程的困难。”