Graphics Processing Unit (GPU)

Was ist eine Graphics Processing Unit (GPU)?

Grafikprozessoren (GPUs) sind spezialisierte Prozessoren für die parallele Verarbeitung beim Rendern von Bildern, Videos, wissenschaftlichen Simulationen und maschinellem Lernen. Im Gegensatz zu CPUs, die auf sequenzielle Aufgaben spezialisiert sind, verwenden GPUs Tausende kleinerer, effizienterer Prozessoren, um parallele Aufgaben zu bewältigen. GPUs nutzen Parallelismus und spezielle Hardware zur Verarbeitung von Informationen. Eine vereinfachte Erklärung, wie GPUs Daten verarbeiten, lautet wie folgt:

• Parallelismus: GPUs haben Tausende von Kernen, die in Streaming-Multiprozessoren (SMs) angeordnet sind. Die GPU kann Tausende von Berechnungen parallel durchführen, so dass jeder Kern seine Anweisungen gleichzeitig ausführen kann. Die enormen Datenmengen, die zum Rendern hochauflösender Bilder oder zum Trainieren tiefer neuronaler Netzwerke erforderlich sind, können durch Parallelismus effizient verwaltet werden.
• Vektorisierung: GPUs sind hervorragend in der Lage, mit dieser Methode große Daten-Arrays gleichzeitig zu verarbeiten. GPUs können einen hohen Durchsatz und eine hohe Effizienz erreichen, indem sie die gleiche Operation gleichzeitig auf mehrere Datenelemente anwenden. Diese Eigenschaft ist bei der grafischen Darstellung und bei wissenschaftlichen Berechnungen, bei denen Pixel parallel dargestellt und große Matrizen effizient bearbeitet werden können, von großem Vorteil.
• Auslagerung von Aufgaben: Moderne Grafikprozessoren können für allgemeine Aufgaben wie CUDA oder OpenCL und Grafik-Rendering verwendet werden. Durch die Verwendung dieser APIs können Programmierkräfte rechenintensive Aufgaben von der Zentraleinheit auf die Grafikkarte verlagern und so die parallelen Verarbeitungsfunktionen des Grafikprozessors nutzen. Dies ist besonders vorteilhaft für wissenschaftliche Simulationen, maschinelles Lernen und Datenanalysen.
• Arbeitsspeicher-Hierarchie: GPUs sind mit einer für die Parallelverarbeitung optimierten hierarchischen Speicherarchitektur ausgestattet. Der Aufbau umfasst Off-Chip-VRAM für Grafiken und On-Chip-Speicher für temporäre Daten. Bei der Optimierung der GPU-Leistung ist es wichtig, effiziente Speicherzugriffsmuster zu implementieren, da die Arbeitsspeicher-Latenz den Gesamtdurchsatz erheblich beeinträchtigen kann.
• Spezialisierte Einheiten: GPUs enthalten häufig zusätzlich zu ihren herkömmlichen Prozessoren spezialisierte Einheiten wie Texture Mapping, Rasterisierung und Geometrieberechnungen. Diese spezialisierten Komponenten sind für bestimmte grafikbezogene Aufgaben ausgelegt und arbeiten mit Universal-Engines zusammen, um komplizierte Szenen effizient zu rendern.

Im Allgemeinen verwenden GPUs verschiedene Techniken zur Datenverarbeitung, darunter Vektorisierung, Arbeitsspeicher-Hierarchie, Parallelismus und spezielle Hardwareeinheiten. Durch die außergewöhnliche Architektur der GPUs können diese ein umfangreiches Spektrum von Rechenaufgaben bewältigen, so dass sie für Anwendungen in den Bereichen wissenschaftliches Rechnen, künstliche Intelligenz, Spiele und Multimedia unverzichtbar werden.

Die Leistung von Grafikprozessoren wird daran gemessen, wie sie visuelles Rendering, Rechen-Workloads und maschinelle Lernaktivitäten bewältigen. Die GPU-Leistung wird mit diesen Methoden gemessen:

• Graphics Rendering Performance:
  • FPS: Der Grafikprozessor kann eine bestimmte Anzahl von Bildern pro Sekunde in einem Videospiel oder Grafikprogramm wiedergeben. Die Grafik ist mit höheren FPS flüssiger und reaktionsschneller.
  • Benchmarking-Tools: 3DMark, Unigine Heaven und GFXBench führen standardisierte Tests und Ergebnisse für GPUs durch, die auf verschiedenen Computern und Konfigurationen untersucht werden können.
• Rechenleistung:
  • Floating Point Operations Per Second (FLOPS): FLOPS ist ein Maß dafür, wie viele Gleitkomma-Arithmetikoperationen ein Grafikprozessor pro Sekunde ausführen kann. Es zeigt die Computing-Leistung im Großen und Ganzen an.
  • CUDA-Kerne oder Stream-Prozessoren: Die Kapazität des Grafikprozessors für die parallele Verarbeitung wird durch die Anzahl der CUDA-Kerne (bei NVIDIA-GPUs) oder Stream-Prozessoren (bei AMD-GPUs) angegeben. Kerne erhöhen die Computing-Leistung.
  • Computing-Benchmarks: Diese Benchmarks, zu denen GPGPU-Benchmarks (z. B. CUDA-Z) und Tests zur Rechenleistung (z. B. Linpack) gehören, bewerten, wie gut eine GPU bei bestimmten Rechentätigkeiten wie der Datenverarbeitung und wissenschaftlichen Simulationen abschneidet.
• Arbeitsspeicher-Leistung:
  • Arbeitsspeicher-Bandbreite: Diese misst, wie schnell Daten zwischen der GPU und ihrem Arbeitsspeicher übertragen werden können. Datenzugriff und Leistung verbessern sich mit höherer Arbeitsspeicher-Bandbreite.
  • Arbeitsspeicherkapazität und -typ: Die Fähigkeit der GPU, große Datensätze und Texturen zu verarbeiten, hängt von der Speicherkapazität und dem Speichertyp (GDDR6, HBM2) ab.
• Maschinelle Lernleistung:
  • Beim maschinellen Lernen wird die Leistung der GPU daran gemessen, wie schnell sie Modelle trainiert und Vorhersagen trifft.
  • Benchmark Suites: TensorFlow, PyTorch und MLPerf bieten GPU Benchmark Suites für maschinelles Lernen.
• Stromeffizienz:
  • Leistung pro Watt: Dieses Maß vergleicht die GPU-Leistung mit dem Stromverbrauch. Rechenzentren und mobile Geräte müssen energieeffizient sein, daher ist eine höhere Leistung pro Watt wünschenswert.

Benutzer können die GPU-Leistung für Spiele, die Produktion von Inhalten, wissenschaftliche Berechnungen und maschinelles Lernen richtig einschätzen, indem sie diese Parameter bewerten und entsprechende Tests und Benchmarks durchführen.

HPE verwendet GPUs für plattformübergreifendes High Performance Computing:

• HPE Cray XD670: Dieser Supercomputer eignet sich hervorragend für komplizierte wissenschaftliche Simulationen, KI und datenintensive Aufgaben mit starken CPUs und GPUs. GPUs ermöglichen parallele Berechnungen, mit denen Forschende Fragestellungen, beispielsweise in der Genomforschung oder Klimamodellierung, schneller und genauer lösen können.
• ProLiant-Serie: Die ProLiant-Server von HPE nutzen GPUs, um Virtualisierung, Deep Learning und High Performance Computing zu beschleunigen. GPU-optimierte Server bieten die erforderliche Rechenleistung für anspruchsvolle Anwendungen in den Bereichen Finanzen, Gesundheitswesen und Fertigung.
• Supercomputing für generative KI: HPE verwendet CPUs und GPUs zur Entwicklung von künstlicher Intelligenz und maschinellem Lernen. HPE unterstützt Unternehmen dabei, KI-Modelle mit GPUs in Supercomputing-Plattformen wie dem Cray XD670 und ProLiant Servern schneller zu trainieren und einzusetzen, um neue Einblicke und Durchbrüche in allen Branchen zu ermöglichen.

Die GPU-fähigen Computing-Lösungen von HPE steigern die Verarbeitungskapazität und helfen Unternehmen, schwierige Probleme zu lösen und die digitale Transformation mit unübertroffener Geschwindigkeit und Effizienz voranzutreiben.