GPU集群上的三维UPML-FDTD算法的实现及优化

J4 ›› 2013, Vol. 35 ›› Issue (11): 160-167.

GPU集群上的三维UPML-FDTD算法的实现及优化

徐磊，徐莹，蒋荣琳，张丹丹

（上海超级计算中心，上海 201203）

收稿日期:2013-08-05 修回日期:2013-10-10 出版日期:2013-11-25 发布日期:2013-11-25
基金资助:
国家863计划资助项目（2012AA01A308）

Implementation and optimization of three-dimensional
UPML-FDTD algorithm on GPU cluster

XU Lei，XU Ying，JIANG Rong-lin，ZHANG Dan-dan

（Shanghai Supercomputer Center,Shanghai 201203,China）

Received:2013-08-05 Revised:2013-10-10 Online:2013-11-25 Published:2013-11-25

摘要/Abstract

摘要：

在高性能计算领域，拥有强大浮点计算能力的协处理器正在快速发展。近年来，利用协处理器(如GPU)来加速时域有限差分FDTD算法的计算过程成为电磁研究领域的热点问题。在GPU集群上实现了三维UPML-FDTD算法并进行了优化。采用电偶极子激励源对算法的模拟结果同解析解进行了验证，结果表明该算法具有较高的精度；同时，在NVIDIA Tesla M2070和K20m GPU集群上对FDTD算法的性能进行测试，对优化前后的计算结果以及GPU与CPU的计算性能进行了比较，并使用80块NVIDIA Tesla K20m GPU进行了可扩展性测试。从本文的研究结果可以看出，经过优化的FDTD算法性能有了较大的提升，而且FDTD算法在GPU集群上获得了比较理想的并行效率。

关键词: FDTD, UPML, GPU集群, MPI

Abstract:

Co-processers with powerful floating-point performance have been developing rapidly in recent years and also draw huge attention in the High Performance Computing (HPC) community. The acceleration of three-dimensional UPML Finite Difference Time Domain (FDTD) method by using GPU co-processer becomes a hot topic in the numerical simulation of electromagnetic (EM). The paper focuses on the implementation and optimization of 3D UPML-FDTD algorithm on GPU clusters. Using the electric dipole excitation source, the proposed algorithm validates the numerical results of EM simulation and the analytical solution to the EM field, showing that the algorithm has high numerical accuracy. The performance of the parallel FDTD algorithm is tested on both Tesla M2070 and K20m GPU clusters, the results with/without optimization are compared, and the computing performance of GPU is compared with that of CPU. The scalability of the algorithm is shown for up to 80 Tesla K20m GPUs. It is concluded that the optimized FDTD algorithm improves its performance and obtain good parallel efficiency on GPU clusters.

Key words: FDTD;UPML;GPU cluster;MPI

徐磊，徐莹，蒋荣琳，张丹丹. GPU集群上的三维UPML-FDTD算法的实现及优化[J]. J4, 2013, 35(11): 160-167.

XU Lei，XU Ying，JIANG Rong-lin，ZHANG Dan-dan. Implementation and optimization of three-dimensional
UPML-FDTD algorithm on GPU cluster [J]. J4, 2013, 35(11): 160-167.

[1]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[2]	孙浩男, 王飞, 魏迪, 尹万旺, 史俊达 . 一种面向大规模并发的Gatherv优化方法[J]. 计算机工程与科学, 2022, 44(09): 1542-1549.
[3]	葛旭冉, 刘洋, 陈志广, 肖侬. 基于MPI的并行大数据集生成器[J]. 计算机工程与科学, 2022, 44(07): 1152-1161.
[4]	范培勤, 过武宏, 韩梅, 唐帅, 张驰, . 水声环境特征参数并行预报方法研究[J]. 计算机工程与科学, 2021, 43(11): 1920-1925.
[5]	罗磊, 陈照云, 王俪璇. 用户QoS感知的GPU集群深度学习任务动态调度[J]. 计算机工程与科学, 2021, 43(08): 1331-1340.
[6]	何康, 黄春, 姜浩, 谷同祥, 齐进, 刘杰, . 基于MPI的高精度归约函数设计与实现[J]. 计算机工程与科学, 2021, 43(04): 594-602.
[7]	姜尚志, 唐生林, 高希然, 花嵘, 陈莉, 刘颖. “神威·太湖之光”上Tend_lin应用的并行优化研究[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1842-1851.
[8]	皇甫永硕,刘杰,龚春叶. 基于二维结构化网格的可压缩流体并行算法研究[J]. 计算机工程与科学, 2017, 39(09): 1602-1609.
[9]	宋梦召，冯仰德. 核辐照损伤金属材料的大规模KMC模拟[J]. 计算机工程与科学, 2017, 39(07): 1211-1218.
[10]	周兰花1，付彬1,2，李仁发1，刘新忠1，黄晶1. 基于异构计算的三维FDTD并行算法及其在电磁仿真中的应用[J]. 计算机工程与科学, 2017, 39(07): 1241-1248.
[11]	邹佩钢1,2，陈军1. 基于CombBLAS的同辈压力图聚类并行算法的设计与实现[J]. 计算机工程与科学, 2017, 39(03): 424-429.
[12]	李瑞琳1,2，赵永华1，黄小磊2,3. 一种基于MPI的稀疏化局部尺度并行谱聚类算法的研究与实现[J]. J4, 2016, 38(05): 839-847.
[13]	严忻恺，郝子宇，吴东，谢向辉. MPI非阻塞广播算法及性能研究[J]. J4, 2013, 35(9): 20-26.
[14]	姚光超，郑尧，肖利民，阮利. 基于MPI+GPU的哼唱检索系统加速[J]. J4, 2013, 35(11): 168-174.
[15]	辛乃军,陈旭灿,孙海燕,阳柳,罗杰,淡孝强,王霁. 基于GCC的高性能DSP Matrix向量指令集扩展[J]. J4, 2012, 34(1): 58-63.