14. NECスパコン

14.1 SX-Aurosa TSUBASA

FOCUSスパコン[23]に導入されたNEC SX-Aurora TSUBASA[24](以下SX)について述べます。
SXは256の長いベクトル長を持ったベクトルエンジン(以下VE)でベクトル計算し、 8個のコアを用いて並列計算します。
アプリケーションがベクトル化と並列化に適したアルゴリズムであれば比較的容易な作業で高い性能を得ることができます。
OS(Linux)は汎用的なCPUの上で動いており、これをベクトルホスト(以下VH)と呼びます。 コンパイル作業等はVHで行い、計算はVEで行います。 これらはシームレスにつながっておりユーザーはVHとVEの違いを特に意識する必要はありません。
FOCUSスパコンのVシステムの仕様は以下の通りです。

• 機種: NEC SX-Aurora TSUBASA A100-1 Type10B (1VE)
• VEメモリー: HBM2(1.22TB/s), 48GB
• VH: Intel Xeon Gold 6148 X 2
• ノード数: 2
• ネットワーク: InifiniBnad FDR (56Gbps)

14.2 コンパイル・リンク方法

FOCUSスパコンのVシステムでコンパイル・リンクする方法は以下の通りです。
> ssh fvpu1 (当該マシンにloginする)
> module load PrgEnv-nec (開発環境をロードする)
> ncc -O2 -fopenmp omp.c -o omp_ve (コンパイル・リンク)
Cコンパイラーのコマンドはnccです(C++はnc++)。 コンパイルオプションとリンクオプションは特に必要ありません。
コンパイルを行うと以下のようにベクトル化と並列化の情報が表示されます。 29行目と41行目のforループが並列化とベクトル化されていることがわかります。 コンパイルオプション"-fdiag-vector=2"を追加するとより詳細な情報が表示されます。

ncc: par(1801): omp.c, line 27: Parallel routine generated.: vadd$1
ncc: par(1801): omp.c, line 39: Parallel routine generated.: sdot$1
ncc: par(1803): omp.c, line 29: Parallelized by "for".
ncc: vec( 101): omp.c, line 29: Vectorized loop.
ncc: par(1803): omp.c, line 41: Parallelized by "for".
ncc: vec( 101): omp.c, line 41: Vectorized loop.
ncc: par(1809): omp.c, line 43: Barrier synchronization.
ncc: vec( 101): omp.c, line 80: Vectorized loop.
ncc: vec( 103): omp.c, line 96: Unvectorized loop.
ncc: vec( 101): omp.c, line 99: Vectorized loop.
ncc: vec( 103): omp.c, line 105: Unvectorized loop.

14.3 並列化

SXでは8コアで並列計算するには、コンパイラの自動並列化を使用するか、 OpenMPの指示文を記入して並列化するかの2通りがあります。
コンパイルオプションとリンクオプションについては前者は"-mparallel"、後者は"-fopenmp"となります。

14.4 コンパイラ指示行

コンパイラ指示行によってコンパイルを調整することができます。 例えば自動ベクトル化できないfor文がベクトル化できることがあります。
コンパイラ指示行の書式は以下の通りです。
#pragma _NEC directive

14.5 マクロ演算

ベクトル化しにくい一部のアルゴリズム （例えば、配列の総和や内積を計算する、漸化式を計算する(a[i]=a[i-1]+b)など） はマクロ演算と呼ばれ、コンパイラーによって自動ベクトル化されます。

14.6 プログラムの実行方法

プログラムの実行方法は以下の通りです。
> omp_ve {1|2} 配列の大きさ 繰り返し回数 スレッド数
例えば以下のようになります。
> omp_ve 1 10000000 10000 8 (ベクトルの和を計算するとき)
> omp_ve 2 10000000 10000 8 (ベクトルの内積を計算するとき)
繰り返し回数は計算時間の測定誤差を小さくするためです。
コア数が8なのでスレッド数8まで速くなります。

14.7 ベクトル和の計算時間

表14-1にベクトル和の計算時間を示します。
配列の大きさ(=N)と繰り返し回数(=L)の積は一定(=10¹¹)です。従って全体の演算量は同じです。
No.2のとき最も並列計算の速度比が高くなっています。
No.4で時間がかかるのはスレッドを多数回起動するオーバーヘッドと考えられます。

14.8 ベクトル内積の計算時間

表14-2にベクトル内積の計算時間を示します。
配列の大きさ(=N)と繰り返し回数(=L)の積は一定(=10¹¹)です。従って全体の演算量は同じです。
No.1のとき最も並列計算の速度比が高くなっています。
No.4で時間がかかるのはスレッドを多数回起動するオーバーヘッドと考えられます。