今回受賞された方々のプログラムコードは、オリジナル・プログラムコードの実行時間と比較して、いずれも 10 倍前後の高速化を達成しています。ほぼ全員が行っているチューニングとしては、下記のものがあります。

• 「プリフェッチ命令の挿入」: 配列 u, psi に対してプリフェッチ命令を挿入する。
• 「ループ順序の変更」: u, psi, chi の配列が [t][z][y][x] という順番に格納されているため、元々 [x][y][z][t] という順番だったループの順番を配列の格納順にあわせる。
• 「ループ・アンローリング」: 反復回数が 3 や 4 のループについてはすべてアンローリングを行う。

また、上記以外で速度向上への効果が特に期待できるチューニング方法が次の 2 つです。

1. OpenMP* と CPU アフィニティー・マスク (sched_setaffinity() 関数) の活用によるスレッド配分率の向上
   1. OpenMP によるループ処理の並列化。
   2. デュアルコア インテル® Xeon® プロセッサー 5100 番台の L2 キャッシュを共有するという特徴を生かし、各スレッドが共有データをできるだけ多く利用できるように CPU アフィニティー・マスク (sched_setaffinity() 関数) を使って、OS が認識するコアの順番と、それに対するスレッドの割り当てを最適化する (図1)。
   
   
   
2. 演算の SIMD 化
   1. intrinsic 関数 (組み込み関数) を使って SSE2 / SSE3 命令に置き換える。
   2. この前処理として、変数宣言で __declspec(align(16)) を指定して、メモリー・オペンランドを 16 バイト境界にアライメントする。

図 1. OpenMP とアフィニティーの活用によるスレッド配分率の向上 (概念図)

インテル® Xeon® プロセッサー・ベースの製品で行われたコンテストとは別に、弊社 ソフトウェア & ソリューションズ統括部 分散並列技術部 アプリケーション・エンジニア 小林 広和が、HPC 市場で高い評価を得ているインテル® Itanium® 2 プロセッサーを使用し、同じ理研 QCD コードのチューニングを行いました。

ご参考までに、下記にそのチューニング・ポイントを紹介します。

• OpenMP や MPI による並列化を行い、複数のコアを効果的に利用できるようにする。
• メモリー・アクセスのレイテンシー (遅延) を隠蔽するためにプリフェッチ命令を挿入する。これだけで 3 倍の性能向上が期待できます。インテル® Xeon® プロセッサーと違いインテル® Itanium® 2 プロセッサーではハードウェア・プリフェッチャーをもたないので、ソフトウェアにおいて適切にプリフェッチを行うことが非常に重要です。
• なるべく連続したメモリー・アドレスをアクセスするようにループの順序を変更する。これにより、前述のプリフェッチ挿入が生かされます。
• 演算がレジスター上で行われるように、コードを変更したり、-no-alias コンパイラ・オプションを指定したりする。

本コンテストの実施にあたり、理化学研究所の姫野 氏ならびに黒川 氏、筑波大学 朴 氏、スケーラブルシステムズ株式会社 戸室 氏、高エネルギー加速器研究機構 太田 氏をはじめ、多くの方にご協力をいただきました。

また、理研 QCD コードに関する連絡担当者である金沢大学 出渕 卓 氏には、今回、本コンテストでの QCD コード使用をご許可いただき、心より感謝いたします。