Upload
regis-vigouroux
View
108
Download
2
Embed Size (px)
Citation preview
EASEA : une plateforme évolutionnaire massivement
parallèle1
Plateforme de calcul massivementparallèle évolutionnaire EASEA
Pierre Collet, Nicolas Lachiche,Ogier Maitre, Frédéric Krüger, Stéphane Querry
Equipe Fouille de Données et Bioinformatique ThéoriqueLaboratoire des Sciences de l'Image, de l'Informatique et de la Télédétection
Université de Strasbourg
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 2
Plateforme physique : quelques chiffres
1.920 processeurs graphiques GPU, 14 Go de mémoire CPU : Intel Core I7 Puissance sur le papier : 6TFlops !
A titre indicatif, IBM ASCII White, machine la plus puissante du monde en 2000, avait une puissance estimée de 7TFlops, pour un poids de 106 tonnes, une consommation de 3MWatts + 3MWatts refroidissement.
Bande passante (mémoire) vers les cartes GPU: 177 Go/s Speedups possibles : jusqu’à x1000 / PC Core i7. Valeur de la machine :
4600 € !
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 3
Plateforme logicielle EASEA
Peu d'algorithmes peuvent exploiter le parallélisme massif (avec coeurs SIMD) de cartes GPU, sauf les algorithmes évolutionnaires qui sont des méthodes d'optimisation universelles ET intrinsèquement parallèles.
L'équipe FDBT développe la Plateforme logicielle EASEA (Easy Specification of Evolutionary Algorithms). Permet l'implémentation d'un algorithme évolutionnaire sur CPU
grâce au langage EASEA. Permet la parallélisation automatique sur GPU pour exploitation du
parallélisme massif. Permet l’exploitation de clusters homogènes ou hétérogènes de
machines pour exécution parallèle asynchrone. La plateforme permet aussi d'exploiter des machines standard.
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 4
Travaux de l'équipe
Partie théorique (Ogier Maitre, Frédéric Krüger, Deepak Sharma) : Adaptation des algorithmes évolutionnaires au parallélisme massif
(très grosses populations) Partie applications :
En chimie (Frédéric Krüger) : – recherche de nouvelles zéolites
En aéronautique (Stéphane Querry) :– Détermination d'une matrice de représentation d'état non linéaire
– Planification de trajectoires compatibles avec la matrice d'état
– Suivi de trajectoires par commande prédictive MPC
En énergie, smart grids (Frédéric Krüger) :– Détermination de courbes de consommation à partir de relevés
bisannuels.
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 5
Résultats en chimie (calcul GPU) Les zéolites sont des cristaux poreux avec de nombreuses applications
dans l'industrie (filtrage, catalyse, construction, médecine, ...) A ce jour, 40 zéolites naturelles, 135 zéolites synthétiques La plateforme EASEA a permis de trouver 2 nouveaux candidats à 5
atomes :
... et papier accepté dans Physical Chemistry Chemical Physics.
Novembre : chasse au gros (25 atomes) sur machine Petaflop (1000 Tesla).
Speedup espéré : x250000. 1h = 28 ans sur Core I7.
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 6
Résultats en aéronautique (identification GPU)
Détermination des quaternions par programmation génétique trajectoire avec quaternions d'origine et quaternions obtenus.
Papier accepté à WCCI'2010, Congress on Evolutionary Computation, Barcelone.
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 7
Résultats en aéronautique (trajectoires)
Retour au point de départ avec contraintes différentes :
Evitement d'obstacle :
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 8
Commande prédictive évolutionnaire
Suivi de roulis, lacet et tangage d'un aéronef en vol :
Il n'y a pas 3 courbes, mais 6 (courbes superposées 2 à 2)
-1
-0,5
0
0,5
1
1,5
1 82 163 244 325 406 487 568 649 730 811 892 973 1054 1135 1216 1297 1378 1459 1540 1621 1702 1783 1864 1945
Série1
Série2
Série3
Série4
Série5
Série6
Série7
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 9
Conclusion sur la plateforme EASEA
Utilisable aussi sur machine conventionnelle (CPU). Les deux derniers résultats présentés ont été obtenus sans GPU.
Avec GPU, des speedups atteignant x1000 peuvent être atteints (suivant les problèmes), ce qui fait que : 1 heure sur plateforme EASEA= 50 jours sur CPU 1 journée = 3 ans de calculs sur CPU !
La thématique Optimisation Stochastique de l'équipe FDBT est à la recherche de collaborations qui permettront de continuer à développer la plateforme.
Pierre Collet
Collaborations potentielles i2s2i
Avec Jan Dusek (IMFS), sur de la mécanique des fluides. Avec Jacques Gangloff (thèse en démarrage) et Edouard
Laroche (AVR). Avec Christian Heinrich (MIV) ?
Collaboration avec Romaric David (équipe@méso).
Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 11
Références
O. Maitre, L. Baumes, N. Lachiche, A. Corma, P. Collet, Coarse Grain Parallelization of Evolutionary Algorithms on GPGPU cards with EASEA, Gecco'09, ACM, pp1403-1410, 2009.
O. Maitre, N. Lachiche, P. Clauss, L. Baumes, A. Corma, P. Collet, Efficient Parallel Implementation of Evolutionary Algorithms on GPGPU Cards, EuroPar Parallel Processing, Springer LNCS 5704, p974-985, 2009.
O. Maitre, N. Lachiche, P. Collet, Improving speedup of GP trees execution on GPGPU cards for as few as 32 fitness cases, EuroGP'10, in print, 2010.
F. Krüger, O. Maitre, S. Jimenez, L. Baumes, P. Collet, Speedups between x70 and x120 for a generic local search (memetic algorithm) on a single GPGPU chip, EvoNum'10, in print, 2010.
O. Maitre, S. Querry, N. Lachiche, P. Collet, EASEA parallelisation of Tree-Based Genetic Programming, WCCI'10, Congress on Evolutionary Computation, in print, 2010.
D. Sharma, P. Collet, GPGPU-compatible Archived Based Stochastic Ranking Evolutionary Algorithm (G-ASREA) for Multi-Objective Optimization, PPSN'10, in print, 2010.