Kezdetek:
Idén áprilisban olvastam először az NVIDIA oldalán, hogy a grafikus kártyákat fel lehet használni matematikai számításokra. Ez a tény, nagyvállalati környezetekben dolgozó informatikusként egyből megmozgatta a fantáziám. Első lépésként 2009-es gyártású Apple Mac Pro gépem vontam be a feladatokba. Mivel a projekteket nem ismertem részletesen, ezért elkezdtem több projektben is kísérletezni, hogy melyik projekt milyen szinten tudja kihasználni a gépem.
Mivel az a gép nem grafikus teljesítményben erős, ezért CPU intenzív alkalmazásokat kerestem.
A CPU intenzív alkalmazások közül az AQUA@HOME projekt (Quantum számítógép kutatás) vált a legsikeresebbnek, mivel ez a Mac Pro gépen 16 szálon képes futni. A projektek hatékonyságát a gyűjtött pontok mennyiségével mértem, amely arányban áll a hasznos CPU idővel.
Mivel a Mac Pro gyári Nvidia GT120-as kártyája nem túl magas teljesítményű (NVIDIA GPU 0: GeForce GT 120 (driver version unknown, CUDA version 3010, compute capability 1.1, 512MB, 90 GFLOPS peak)) ezért elhatároztam hogy összerakok egy PC-t amelyet kifejezetten grafikus teljesítményre optimalizálok.
Az első szupercomputer
A PC-hez próbáltam az elérhető legmagasabb teljesítményű eszközöket összeválogatni. A legtöbb alkatrész akkoriban még nem is volt elérhető itthon, ezért azokat az Ebay segítségével szereztem be.
Az összerakott konfiguráció az alábbi elemeket tartalmazta:
Alaplap - Asus Rampage Extreme III
Processzor - Intel i7 930 (4.2GHz-en stabilan üzemel)
Processzor hűtő - Noctua NH-D14
Memória - 6GB Kingston HyperX 2GHz DDR3
HDD - Lexar SATA3 128GB SSD
GPU - Nvidia Geforce-GTX295 (Már kapható volt a GTX480, viszont ennek magasabb volt a számítási kapacitása)
Tápegység - Corsair 1000W-os tápegység
Első lépésben ezzel a konfigurációval indultam neki a számításnak, és már az első tesztek során kiderült, hogy kb 3-4x magasabb számítási teljesítményt produkált mint a Mac Pro. Ezen a gépen főképp a Collatz Conjecture projekt futott, amíg rá nem találtam a Mikyway@HOME projektre, amely azonos hardveren kb 1.5x több műveletet volt képes végrehajtani. Jobban kihajtotta a hardvert mint bármelyik benchmark program.
Azonban ahogy telt az idő, a Milkyway projekt fórumában rábukkantam, hogy az ATI videókártyák azonos teljesítmény felvétel mellett sokkal nagyobb számítási teljesítményt képesek leadni. Így első lépésben egy ATI Radeon HD5970-es kártya került a gépbe a számítási teljesítmény növelése céljából, majd az Nvidia kártya helyére is egy HD5970-es került. Így elérte a gép a maximális teljesítményt amit ki lehetett hozni a konfigurációból. A konfigurációnak két zavaró tényezője volt. Az egyik, hogy nyáron a szobában 60 fok uralkodott, a másik, hogy olyan hangos volt a hűtés, hogy két szobával arrébb is tisztán lehetett hallani. A két VGA kártya kapott így egy vízhűtést, amellyel a 105 fokos üzemi hőmérséklet lecsökkent 55 fokosra, és a hangja szinte megszűnt. Jelenleg a CPU hűtő a leghangosabb komponens. A vízhűtés mellékhatásaként a kártyák sebessége megnőtt, így átléptem a napi 800.000 egységes határt.
A konfigurációkkal 2010 Augusztus 27.-én sikerült elérni az országos első helyet, továbbá bekerültem a BOINC projekt honlapján található első 100 önkéntes közé (72. helyre - 2969 GFLOPS), amelynek azért is örültem mert végre kaptam egy egzakt számot arról hogy milyen teljesítményre képes az itthoni géppark.
Konkluzió, jövő
Az önkéntes számítási feladatoknak több fontosságát látom az egész IT ipar számára:
- Minnél hatékonyabbak az algoritmusok annál jobban kihasználják az alattuk levő hardvert
- A GPU-n végrehajtott számítások jelentősen képesek felgyorsítani az egész informatikát. Mind otthoni, mind nagyvállalati környezetben. Egy milkyway@home egység az i7-es CPU-n 8 óra alatt fut le, a GPU-n 1 perc 34 mp alatt.
- A GPU-kkal felvértezett szuperszámítógépek jelentősen kevesebbet fogyasztanak, mint ha ugyan ezt a teljesítményt hagyományos CPU-kkal próbálnák végrehajtani.
Ezek kapcsán minden hír megfog ami szuperszámítógépekkel kapcsolatos. Jó példa a meterológiai intézet számára beszerzett 190 milliós hardver, amely 14 TFLOPS elméleti sebességű. Ha alkalmazhatóak ilyen célra GPU alapú szuperszámítógépek, akkor ennek az árnak töredékéből sokkal magasabb teljesítmény érhető el.
A BOINC projekt által használható infrastruktúra letölthető, és akár egyedi projektre is használható. Ezzel a lehetőséggel, akár több az enyémhez hasonló gép használható egyként.
A napokban olvastam az új Radeon HD6000-es sorozatról, ami még jobban meg fogja gyorsítani ezt a trendet, mivel egy kártyán a jelenlegi teljesítmény közel duplája lesz elérhető. Ezzel együtt a cél az első 100-as összesített listára felkerülni.
