Understanding Multi-Core and GPU Architectures
Understanding Multi-Core and GPU Architectures
Computer Science, Architecture, Parallel Computing · course
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce document explore l'architecture multicoeur et les unités de traitement graphique (GPU). Les étudiants apprendront les concepts fondamentaux, les types d'architectures, les différences entre CPU et GPU, ainsi que des exemples d'utilisation de CUDA pour tirer parti de ces technologies. Les sections suivantes détaillent les caractéristiques des processeurs, les types de mémoire graphique et les applications pratiques.
Le terme « multi-cœur » désigne un processeur composé d'au moins deux cœurs (ou unités de calcul) intégrés sur la même puce. Cette architecture permet de multiplier la puissance de calcul grâce à une approche parallèle, augmentant ainsi la capacité de traitement sans nécessairement accroître la fréquence d'horloge.
Les systèmes multiprocesseurs, bien qu'efficaces, consomment beaucoup d'énergie et génèrent une chaleur considérable. La technologie multicœurs permet d'assembler deux cœurs de processeurs côte à côte sur le silicium, ce qui réduit la consommation d'énergie et le dégagement de chaleur.
Pour tirer pleinement parti des architectures multicœurs, les programmes doivent être adaptés. En effet, de nombreux logiciels ne sont pas conçus pour utiliser plusieurs cœurs, ce qui limite leur efficacité. Les performances se démarquent particulièrement dans les applications gourmandes, telles que les jeux vidéo. Les processeurs quadri-cœurs, qui possèdent quatre cœurs, commencent à remplacer les bi-cœurs, mais nécessitent souvent des modifications logicielles pour une utilisation optimale.
Le GPU, ou processeur graphique, est un circuit intégré présent sur une carte graphique, chargé des fonctions de calcul liées à l'affichage. Sa structure hautement parallèle le rend efficace pour diverses tâches graphiques, comme le rendu 3D et la gestion de la mémoire vidéo.
Le GPU libère le microprocesseur de la carte mère en prenant en charge les calculs spécifiques à l'affichage, ce qui augmente la puissance apparente de l'ordinateur. Souvent, le processeur graphique est équipé de son propre radiateur ou ventilateur pour évacuer la chaleur produite.
La mémoire graphique est presque aussi importante que le GPU lui-même. Elle joue un rôle similaire à celui de la RAM pour un processeur d'ordinateur. Sa vitesse et sa taille influencent fortement les performances d'une carte graphique.
Il existe deux grandes familles de mémoires graphiques :
CUDA, ou Compute Unified Device Architecture, est une API considérée comme une extension du langage C, permettant d'exploiter les capacités de calcul des GPU. Elle repose sur le principe de programmation parallèle en utilisant des threads.
CUDA exécute les parties parallèles d'une application sur le GPU sous forme de « Kernels ». Un Kernel est un code C qui s'exécute sur le GPU, tandis que le code séquentiel s'exécute sur le CPU. Les Kernels s'exécutent en tant que threads parallèles.
Un Kernel s'exécute comme une grille de blocs de threads. Un bloc de threads est une liste de threads qui peuvent coopérer, se synchroniser et partager des données dans la mémoire partagée. CUDA exécute les blocs de threads comme des CTA (Concurrent Thread Array) sur les cœurs SM (Streaming Multiprocessors).
__global__ void kernelFunction() {
// Code exécuté sur le GPU
}
int main() {
// Appel du Kernel
kernelFunction<<<numBlocks, threadsPerBlock>>>();
return 0;
}
Un GPU, ou processeur graphique, est un circuit intégré sur une carte graphique qui gère les calculs liés à l'affichage. Il est conçu pour exécuter des tâches graphiques de manière efficace grâce à sa structure parallèle.
Le CPU (processeur central) gère les tâches séquentielles et les calculs généraux, tandis que le GPU est optimisé pour le traitement parallèle, ce qui le rend plus efficace pour les tâches graphiques et les calculs intensifs.
Il existe deux types principaux de mémoire graphique : la mémoire partagée, qui utilise une partie de la RAM pour le GPU, et la mémoire dédiée, qui est embarquée sur la carte graphique et permet une communication plus rapide avec le processeur graphique.
CUDA permet de programmer des applications pour tirer parti des capacités de calcul des GPU. Les développeurs écrivent des Kernels en C, qui s'exécutent sur le GPU, tandis que le code séquentiel s'exécute sur le CPU.
Les architectures multicoeurs augmentent la puissance de calcul sans augmenter la fréquence d'horloge, permettant ainsi un traitement plus efficace des tâches, surtout dans les applications gourmandes comme les jeux vidéo.