云时代超级计算机的兴衰(2)

也: 超级计算机: 始终为Linux

尽管IBM在1961年至1963年之间成功制造并交付了8台7030型号，并保持了第9位，但Dunwell的上司宣布，这一失败仅比1955年的基准测试更糟糕. 速度比100倍快30倍. 宣布您制造的产品失败通常会促使其他人同意您的看法，并且通常没有其他原因. 当竞争对手Control Data着手构建仅比IBM 7030快三倍的系统，然后在1964年通过CDC 6600达到了这一目标时（主要由Seymour Cray设计），“超级计算机”的名称被粘在上面胶水. （甚至在控制数据不存在之前，该术语就已经附加到Cray. ）确实，CDC 6600（如下图所示）引入了向量处理-在多个寄存器上依次执行一条指令，这就是并行化的开始. 但是，今天没有计算机，甚至没有智能手机，也没有并行处理，也没有索引寄存器，预取指令预取或字节.

那些相信摩尔定律与超级计算机无关的人会惊讶地发现实际上存在着直接的历史联系. 美国商务部及其机构经常发现很难为诸如出口限制之类的重要事项定义超级计算机. 当其性能基准已使用了两年或更长时间时，鉴于“高性能”是一个不断发展的目标，很难确定两年前是否仍应限制使用该产品.

2000年，政府会计办公室判定超级计算机每秒至少可以产生850亿理论操作（85,000 MTOP / s）. 当时，这还不能衡量所观察到的性能. 实际上，这是对累积的单线程时钟速度（所有加在一起的所有CPU的兆赫或千兆赫）的委婉说法.

此外: 升级的美国超级计算机在CNETTop500列表中排在首位

因此，当DoC和其他组织要求更新时，GAO会提出建议，实际上是“仅使用最快，最强大的计算机来解决复杂的计算问题，就打印出超级计算”.

国防部别无其他选择，通常参考摩尔定律. 具体来说，研究人员将估算出具有85 GHz累积处理器周期的系统中的晶体管总数，然后自2000年以来每18个月（有时为24个）增加晶体管的数量. 该比率乘以200％. 结果，时钟速度将成为事实上的超级计算阈值.

当时，一台符合DoC最低标准的理论超级计算机可能由大约75个Intel Pentium III“ Coppermine”处理器组成，每个处理器的时钟频率为1.13 GHz. 如果使用2900万个处理器，则该计算机中的处理器总数为21.75亿，每个时钟周期的比率接近2个晶体管.

如果您认为这听起来像是一种荒谬的公式，请记住，它是由美国联邦政府带给您的. 假设摩尔定律与时钟周期有关，那么到2018年左右，低层超级计算机中的晶体管数量估计约为1188亿个.

在“中国500强”排行榜的底部（如Indy 500排行榜所述，“冒泡”）是来自中国的浪潮云服务提供商浪潮，为其互联网服务提供商客户制造的机器. 它由几个响应模型SA5212M4服务器组成. 如左图所示，它们可以安装在通用的2U机架单元中. 该系统由45,440个主频为4.8 GHz的Intel Xeon E5-2682v4服务器级处理器组成. 使用DoC方法超级计算机，#500的权重应为218,112,000 MTOP / s（218,112 GHz）.

（事实是，如果将“理论”运算转换为实际的浮点运算，则#500的实际性能得分为874.8 TFLOP / s，是DoC预期得分的4倍. ）

尽管英特尔尚未正式发布该规范，但据估计E5-2682v4在单个芯片上具有72亿个晶体管. 因此，排名500的处理器数量为327.1万亿. 按照这种逻辑，超级计算机的性能将急剧下降.

也: 图片: 世界上最快的25台超级计算机TechRepublic

因此，让我们看一些实际的性能数字并应用一些实际的逻辑. 2011年11月，拥有7,236个CPU内核（当时还不是协处理器）的500个“泡泡机”得分为50.9 teraflops. 对于2018年11月，具有45,440 CPU内核（不带GPU）的#500计算机发布了874.8 teraflops. 这是性能的17.2倍，处理器核心是6.3倍.

当然，2018年的核心比2011年的核心更加发达. 但是，这种数学练习更实际地教会了我们: 在7年中，它增长了约3倍. 如果您是超级计算机操作员，那么这意味着您可以期望今年的型号CPU比去年提高43％的性能. 这也意味着，如果您保持相同的配置，而您的竞争对手将一个已经使用了三年的系统替换为新系统，则其机会甚至可能翻倍. （否）

列表中所有超级计算机中的138（将近28％）具有某种类型的加速或协同处理功能，其中128个系统使用Nvidia GPU（本质上是图形协处理器，经过重新设计和重新配置为并行处理引擎）. 这些系统中约有122个使用Nvidia最初的2006 Tesla架构用于通用GPU，而排名第一的“ Summit”系统和排名第二的“ Sierra”系统（如下所示）使用Nvidia的Volta. 微体系结构更加面向到AI应用程序. 该平台上的第一个GPU（如上所示）于去年5月发布，并于12月发布.

GPU对桌面图形有效的原因在于，它们可以复制一组指令，然后将其通过流水线路径传递，从而可以立即并行执行. 最初，这使在3D场景中为三角形区域的较大部分着色更容易，并且渲染和渲染速度更快.

但是在世纪之交之后，学术研究人员开始出于不同目的进行GPU实验. 他们利用了GPU的并行处理能力，而不是渲染，但是解决了复杂的算法. Nvidia从2006年开始发布可用于其GPU的软件库，从而使CPU管理的程序可以轻松地将可复制算法委派给GPU. 称为计算统一设备体系结构（CUDA），其主要功能是运行时库（一个代表用户应用程序执行功能的附件程序）. 该库将例程编译为Nvidia所谓的“内核”，然后可以通过GPU对其进行配对. 它进行分发，通过其管道进行分发并在其中并行运行. 它利用科学程序员对显式并行性的偏爱来创建一个在CPU和GPU之间传递并行算法的系统.

第二年，Nvidia意识到CUDA激发了一个全新的市场. 该公司开始制造通用协处理器引擎，Nvidia曾将其称为“台式超级计算机”. 2009年，Nvidia确认GPU市场已经超越图形市场，不再是利基市场，因此它开始积极资助为CUDA平台做出贡献的组织.

此外: 得克萨斯大学为超级计算机CNET获得了6000万美元的资助

GPU的最终成就无非是超级计算作为一个行业和一门科学的重生. 当高端机器可能变成低端处理器的复合体时，Nvidia将程序员的注意力重新集中在使超级计算首先成为可行的行业组件上: 算法. 反过来，这又导致计算机供应商再次关注围绕它们执行的功能而不是所消耗的资源来设计计算机.

目前，超级计算机行业至少重新注入了一些精神，这些精神启发了诸如戈登·贝尔，斯蒂芬·邓威尔，吉恩·阿姆达尔和西摩·克雷等人. 他们有意制造机器并借用Dunwell的“信念”. 因此，在个人计算机不再确定其架构目标的市场中，超级计算机可能重新发现了失去的领导角色. 如果只用千分之一秒，那么所有旧事物都是新的.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-208244-2.html