一応、 11/16 現在で、メモリ 16GB まで使って 410Gflops で、効率 50% 以上 になりました。この速度だとチップ1つ当りで SX-9, ATI Radion 4870 での実 測のどちらも上回り、世界最高性能を実現しています。GPU の数字は 2009/11 Top 500 での中国の天河の数字は 5120 GPU + 5120 Xeon で 563 Gflops、 Xeon+GPU 1 セットあたり 110 Gflops ですが、Xeon でも計算しているので GPU の部分は70-80Gflops 程度と思われます。

この、効率50% 前後、という数字をみて低いとか失敗だとかいいたい人がいる のは想像できますが、私の立場は元々、演算器は現在の普通の計算機ではもっ とも高価な部分ではないので、そこだけの効率を云々するのはあまり意味がな い、というものであることはこの文章の前のほうも読んだことがある人なら理 解していただけるかと思います。 GRAPE-DR で対象にするアプリケーションの 中では、LINPACK はもっともネットワークバンド幅や主記憶バンド幅を要求す るものです。このため、LINPACK で演算器のピーク性能が出るようにシステムを構成す ることは、他の多くのアプリケーションでは不必要な程度までネットワーク・主 記憶バンド幅・主記憶サイズといったものに資源を投入し、その結果システム としての消費電力も大きなものになることを意味し、あまり賢明な選択ではあ りません。

その意味では 20-30% の効率でも別に問題ではないといえなくもないのですが、 そういうことが多くの専門家と称する人に理解されるわけでもないので少しが んばってプログラムの書き直し等もしてある程度の性能はでるということを示 した、というのが今回の単体ノードでの数字です。

複数ノードになると、MPI 版の HPL を全面的に書き直す必要があり、これはベー スになるコードはできていて並列動作もしていますが、まだ調整というかチュー ニング中で性能測定までにはきていません。こちらでは、演算性能に比べてど うしようもなくメモリが小さい、ネットワークが遅い、というのがネックにな ります。1Tflops 近い性能に対して、現在のところ 20Gbps の IB でつないで いますから、50Gflops の Core i7 で、 GbE でネットワークを組んで動かす ようなもので効率をだすのは簡単ではありません。特に、現在の HPL では 横方向の通信は計算と並行して実行しますが、縦方向は並列にやらないので 完全にオーバーヘッドになります。この部分だけで 2-3割の性能低下になり、 これでは高い性能が原理的に期待できません。

原理的には、縦の通信も計算と並行に行うことができればよく、特にGRAPE-DR のようなアクセラレータを使う場合にはそれが原理的には不可能ではないので、 そのような形でのコードの書換えを行ないます。このためには、縦の通信で発 生する行交換の主記憶への負荷を下げることが必須であり、つまりは行列のメ モリへの格納順序を変更する必要があります。

通信も、縦と横の両方を計算と並行して行う、というのは縦の通信と横の通信 が同時に起きる必要がある、ということであり、それを MPI でどうやって実現 し、競合やデッドロックが起きないようにできるのか、というのは自明ではあ りません。理屈ではマルチスレッドで独立に動かして、NIC なりカーネルなり が適切なキューイングをしてくれればよいのですが、実際に MPI をマルチスレッ ドで使おうとしてみると TCP/IP ではマルチスレッドで動くけどIB のネイティ ブライブラリでは動かなかったりして話になりません。まあ、そういうのをな んとかして、近いうちに数字を報告できるとは思いますが、11/13 時点ではま だこの改善された並列コードでの数字はとれていないので、残念ながら今回の Top500 ではあまり上がっていない数字がでます。今月中には並列コードの性能 も1ノード用コードから大きくは見劣りしない程度まで改善できれば、と思って います。

しかし、一応、現時点で、単一ノードの計算では、LU分解で

• 1ソケットPC+アクセラレータの構成では世界最高速
• 世界最高の電力あたり性能