Plateforme de calcul massivement parall

1
Plateforme de calcul massivementparallèle
évolutionnaire EASEA
Pierre Collet, Nicolas Lachiche, Ogier Maitre,
Frédéric Krüger, Stéphane Querry Equipe Fouille
de Données et Bioinformatique Théorique Laboratoir
e des Sciences de l'Image, de l'Informatique et
de la Télédétection Université de Strasbourg
2
Plateforme physique quelques chiffres

• 1.920 processeurs graphiques GPU, 14 Go de
  mémoire
• CPU Intel Core I7
• Puissance sur le papier 6TFlops !
• A titre indicatif, IBM ASCII White, machine la
  plus puissante du monde en 2000, avait une
  puissance estimée de 7TFlops, pour un poids de
  106 tonnes, une consommation de 3MWatts 3MWatts
  refroidissement.
• Bande passante (mémoire) vers les cartes GPU 177
  Go/s
• Speedups possibles jusquà x1000 / PC Core i7.
• Valeur de la machine

4600 !
3
Plateforme logicielle EASEA

• Peu d'algorithmes peuvent exploiter le
  parallélisme massif (avec coeurs SIMD) de cartes
  GPU, sauf les algorithmes évolutionnaires qui
  sont des méthodes d'optimisation universelles ET
  intrinsèquement parallèles.
• L'équipe FDBT développe la Plateforme logicielle
  EASEA (Easy Specification of Evolutionary
  Algorithms)?.
• Permet l'implémentation d'un algorithme
  évolutionnaire sur CPU grâce au langage EASEA.
• Permet la parallélisation automatique sur GPU
  pour exploitation du parallélisme massif.
• Permet lexploitation de clusters homogènes ou
  hétérogènes de machines pour exécution parallèle
  asynchrone.
• La plateforme permet aussi d'exploiter des
  machines standard.

4
Travaux de l'équipe

• Partie théorique (Ogier Maitre, Frédéric Krüger,
  Deepak Sharma)
• Adaptation des algorithmes évolutionnaires au
  parallélisme massif (très grosses populations)?
• Partie applications
• En chimie (Frédéric Krüger)
• recherche de nouvelles zéolites
• En aéronautique (Stéphane Querry)
• Détermination d'une matrice de représentation
  d'état non linéaire
• Planification de trajectoires compatibles avec la
  matrice d'état
• Suivi de trajectoires par commande prédictive MPC
• En énergie, smart grids (Frédéric Krüger)
• Détermination de courbes de consommation à partir
  de relevés bisannuels.

5
Résultats en chimie (calcul GPU)?

• Les zéolites sont des cristaux poreux avec de
  nombreuses applications dans l'industrie
  (filtrage, catalyse, construction, médecine,
  ...)?
• A ce jour, 40 zéolites naturelles, 135 zéolites
  synthétiques
• La plateforme EASEA a permis de trouver 2
  nouveaux candidats à 5 atomes
• ... et papier accepté dans Physical
  Chemistry Chemical Physics.
• Novembre chasse au gros (25 atomes) sur machine
  Petaflop (1000 Tesla).
• Speedup espéré x250000. 1h 28 ans sur Core I7.

6
Résultats en aéronautique (identification GPU)?

• Détermination des quaternions par programmation
  génétique trajectoire avec quaternions d'origine
  et quaternions obtenus.
• Papier accepté à WCCI'2010, Congress on
  Evolutionary Computation, Barcelone.

7
Résultats en aéronautique (trajectoires)?

• Retour au point de départ avec contraintes
  différentes
• Evitement d'obstacle

8
Commande prédictive évolutionnaire

• Suivi de roulis, lacet et tangage d'un aéronef en
  vol
• Il n'y a pas 3 courbes, mais 6 (courbes
  superposées 2 à 2)?

9
Conclusion sur la plateforme EASEA

• Utilisable aussi sur machine conventionnelle
  (CPU). Les deux derniers résultats présentés ont
  été obtenus sans GPU.
• Avec GPU, des speedups atteignant x1000 peuvent
  être atteints (suivant les problèmes), ce qui
  fait que
• 1 heure sur plateforme EASEA 50 jours sur CPU
• 1 journée 3 ans de calculs sur CPU !
• La thématique Optimisation Stochastique de
  l'équipe FDBT est à la recherche de
  collaborations qui permettront de continuer à
  développer la plateforme.

10
Collaborations potentielles i2s2i

• Avec Jan Dusek (IMFS), sur de la mécanique des
  fluides.
• Avec Jacques Gangloff (thèse en démarrage) et
  Edouard Laroche (AVR).
• Avec Christian Heinrich (MIV) ?
• Collaboration avec Romaric David (équipe_at_méso).

11
Références

• O. Maitre, L. Baumes, N. Lachiche, A. Corma, P.
  Collet, Coarse Grain Parallelization of
  Evolutionary Algorithms on GPGPU cards with
  EASEA, Gecco'09, ACM, pp1403-1410, 2009.
• O. Maitre, N. Lachiche, P. Clauss, L. Baumes, A.
  Corma, P. Collet, Efficient Parallel
  Implementation of Evolutionary Algorithms on
  GPGPU Cards, EuroPar Parallel Processing,
  Springer LNCS 5704, p974-985, 2009.
• O. Maitre, N. Lachiche, P. Collet, Improving
  speedup of GP trees execution on GPGPU cards for
  as few as 32 fitness cases, EuroGP'10, in print,
  2010.
• F. Krüger, O. Maitre, S. Jimenez, L. Baumes, P.
  Collet, Speedups between x70 and x120 for a
  generic local search (memetic algorithm) on a
  single GPGPU chip, EvoNum'10, in print, 2010.
• O. Maitre, S. Querry, N. Lachiche, P. Collet,
  EASEA parallelisation of Tree-Based Genetic
  Programming, WCCI'10, Congress on Evolutionary
  Computation, in print, 2010.
• D. Sharma, P. Collet, GPGPU-compatible Archived
  Based Stochastic Ranking Evolutionary Algorithm
  (G-ASREA) for Multi-Objective Optimization,
  PPSN'10, in print, 2010.