NVIDIA представила новую библиотеку NVSHMEM, которая удвоила скорость молекулярного моделирования по сравнению с традиционными методами. Теперь суперкомпьютеры, использующие GROMACS, могут обрабатывать данные в два раза быстрее, что значительно увеличивает эффективность вычислений при проведении сложных симуляций.
Сложности традиционного подхода
Самые распространенные пакеты для молекулярной динамики, такие как GROMACS, сталкиваются с серьезными bottleneck'ами, такими как задержка в коммуникации между CPU и GPU. Традиционная система передачи данных использовала Message Passing Interface (MPI), которая хорошо работала для CPU, но вызывала значительные задержки, прежде чем GPU мог продолжать свою работу. Например, на каждую итерацию GROMACS приходилось до 12 блокировок CPU и GPU, что ограничивало масштабируемость.
Что нового в NVSHMEM?
Библиотека NVSHMEM полностью исключает необходимую работу CPU при коммуникации, позволяя GPU инициировать удаленный доступ к памяти. Это означает, что за счет упрощения рабочего процесса передачи данных GROMACS теперь может осуществлять 100-200 микросекунд на итерацию, что в разы быстрее, чем раньше. В результате снизилось количество запусков ядра с шести до одного за итерацию, что значительно увеличивает скорость вычислений.
Во время тестирования на суперкомпьютере NVIDIA Eos достигли максимальной производительности, которая оптимально использовала возможности NVLink и RDMA, что позволяет GROMACS обрабатывать молекулы на больших объемах информации.
Практическое значение для науки и бизнеса
Генеральный директор NVIDIA заявил, что такая оптимизация делает молекулярное моделирование более доступным для исследователей и ученых. Ожидается, что использование NVSHMEM откроет новые горизонты для исследований в области медицины, фармацевтики и материаловедения. Это также позволит российским учёным и стартапам, занимающимся компьютерными технологиями, снизить время разработки и увеличить точность симуляций, что в результате приведет к ускоренной разработке новых препаратов и материалов.
В будущем можно ожидать дальнейшего развития NVSHMEM и внедрения её в другие области высокопроизводительных вычислений, что откроет новые возможности для максимизации вычислительных ресурсов.