GPU PROGRAMLAMA TEKNİĞİ KULLANILARAK HIZLANDIRILMIŞ XCLASS YAZILIMI İLE SPEKTRUM ANALİZİNİN GERÇEKLEŞTİRİLMESİ

Abstract

Astronomi, çok büyük boyutlu veriler ile çalışmak zorunda olan bir alandır. Bu büyük boyutlu verilerin işlenmesi ve bu verilerden bilgi çıkarımı işlemi çok uzun zaman aldığı için bu verileri modelleyen bilgisayar yazılımlarının performansı çok önemlidir. Bu çalışmada, Atacama Büyük Milimetre/Milimetre-altı Dizisi (Atacama Large Millimeter/Submillimeter Array- ALMA) isimli teleskop setinden gelen astronomik verileri modellemek için geliştirilen XCLASS (extended CASA Line Analysis Software Suite-genişletilmiş CASA Çizgi Analiz Yazılım Bölümü) adlı yazılımın çok yoğun hesaplamaların yapıldığı myXCLASS adlı bölümü, Grafik İşlemci Birimi (Graphics Processing Unit- GPU) programlama tekniği kullanılarak hızlandırılmıştır. GPU programlama ortamı olarak Birleşik Hesap Cihazı Mimarisi (Compute Unified Device Architecture- CUDA) kullanılmıştır. Uygulama, Tesla K20m isimli iki adet ekran kartı üzerinde test edilmiş, CPU- GPU çalışma süresi bakımından performans karşılaştırılması yapılmış ve ayrıntılı sonuçlar sunulmuştur. Elde edilen sonuçlar ile GPU programlama tekniği kullanılarak ALMA gibi gelişmiş gözlem araçlarından elde edilen çok büyük boyutlu astronomik verilerin modellenmesinde kullanılan yazılımlarda yüksek performans kazanımı sağlanacağı gösterilmiştir.

Keywords

• Grafik İşlemci Birimi
• Birleşik Hesap Cihazı Mimarisi
• Paralel Hesaplama
• XCLASS
• Spektral Analiz

Implementing Accelerated Spectrum Analysis on XCLASS Software by Using GPU Programming Technique

Abstract

Astronomy is a field that has to deal with massive amount of data. The performance of software modeling this data is very important because it takes a very long time to process and extract information from these massive amount of the data. In this study, myXCLASS which is very compute-intensive parts of extended CASA Line Analysis Software Suite (XCLASS) which is developed to model astronomical data taken from Atacama Large Millimeter/Submillimeter Array (ALMA) devices is accelerated using the Graphics Processing Unit (GPU) programming technique. Compute Unified Device Architecture (CUDA) is used as a GPU programming environment. The application is tested using two Tesla K20m GPU cards, CPU- GPU versions of the software are compared in terms of the time and obtained experimental results are presented in detail. The obtained experimental results show that high performance gain can be achieved in software used for modeling very large astronomical data obtained from advanced observation tools such as ALMA using GPU programming technique.

Keywords

• Graphical Processing Unit
• Compute Unified Device Architecture
• Parallel Computing
• XCLASS
• Spectral Analysis

References

1. 1. Abe Y., Sasak H., Peres M., Inoue K., Murakami K., Kato S., (2012), Power and Performance Analysis of GPU-Accelerated Systems, HotPower.
2. 2. Arimilli R. K., Siegel D. W. (2002) Symetric Multiprocessing (SMP) System with Fully-Interconnected Heterogenous Microprocessors, International Business Machines Corpotation.
3. 3. Astronomical Image Processing System (2011), Erişim Adresi: http://www.aips.nrao.edu/index.shtml. (Erişim tarihi: 22.12.2019).
4. 4. Atamaca Large Millimeter/Submillimeter Array (2012), Erişim Adresi: http://www.almaobservatory.org/en/home/. (Erişim Tarihi: 25.12.2018).
5. 5. Awan M. G. ve Saeed F., (2017), n Out-of-Core GPU based dimensionality reduction algorithm for Big Mass Spectrometry Data and its application in bottom-up Proteomics, 550-555, doi:10.1145/3107411.3107466.
6. 6. Barsdell B. R., Barnes D. G. ve Fluke C. J. (2011) Fitting Galaxies on GPUs, Astronomical Data Analysis Software and Systems Conference, Massachusetts-USA, 451- 454.
7. 7. Cárcamo M., Román P.E., Casassus S., Moral V. ve Rannou F.R. (2018) Multi-GPU Maximum Entropy Image Synthesis for Radio Astronomy, Astronomy and Computing, 22, 16–27, doi:10.1016/j.ascom.2017.11.003.
8. 8. Combined Array for Research in Millimeter-wave Astronomy (2012), Erişim Adresi: https://www.mmarray.org/. (Erişim Tarihi: 22.12.2017).

9. 9. Common Astronomy Software Applications (2016), Erişim Adresi: https://casa.nrao.edu/. (Erişim Tarihi: 24.03.2018).
10. 10. Continuum and Line Analysis Single-dish Software (2010), Erişim Adresi: https://www.iram.fr/IRAMFR/GILDAS/doc/html/class-html/class.html. (Erişim Tarihi: 21.06.2019).
11. 11. Diaz, J., Muñoz-Caro, C. ve Niño, A. (2012) A Survey of Parallel Programming Models and Tools in the Multi and Many-Core Era, IEEE Transactions on Parallel and Distributed Systems, 8-23, 1369-1386, doi: 10.1109/TPDS.2011.308.
12. 12. eXtended CASA Line Analysis Software Suite (2016), Erişim Adresi: https://xclass.astro.uni-koeln.de/. (Erişim Tarihi: 14.03.2018).
13. 13. George B. R., Lightman A. P. (1979) Radiative Processes in Astrophysics, Haruard-Smithsonian Center for Astrophysics, Germany.
14. 14. Grenoble Image and Line Data Analysis Software. (2010), Erişim Adresi: https://www.iram.fr/IRAMFR/GILDAS/doc/pdf/gildas-intro.pdf. (Erişim Tarihi: 22.06.2019).
15. 15. Hall C. A., Meyer W. W. (2004) Optimal Error Bounds for Cubic Spline Interpolation, Journal of Approximation Theory, 2-16, 105–122, doi: 10.1016/0021-9045(76)90040-X.
16. 16. Image Reduction and Analysis Facility (2014), Erişim Adresi: http://ast.noao.edu/data/software. (Erişim Tarihi: 21.12.2019).
17. 17. Jang H., Park A. ve Jung K., (2008) Neural Network Implementation Using CUDA and OpenMP, Digital Image Computing: Techniques and Applications, Canberra, ACT, 155-161, doi: 10.1109/DICTA.2008.82.
18. 18. Mei Y., Wang F., Wang W., Chen L., Liu Y., Deng H., Dai W., Liu C. ve Yan Y. (2017) GPU-Based High-performance Imaging for Mingantu Spectral RadioHeliograph, Instrumentation and Methods for Astrophysics, 130, 983, doi: 10.1088/1538-3873/aa9608.
19. 19. NVIDIA and PGI Compiler. CUDA Fortran (2007), Erişim Adresi: https://developer.nvidia.com/cuda-fortran. (Erişim Tarihi: 08.04.2018).
20. 20. NVIDIA and PGI Compiler. Introduction to PGI CUDA Fortran (2008), Erişim Adresi: http://www.pgroup.com/lit/articles/insider/v1n3a2.htm. (Erişim Tarihi: 10.04.2018).
21. 21. NVIDIA Corporation (2017) PGI Compilers and Tools. CUDA Fortran Programming Guide and Reference.
22. 22. NVIDIA CUDA C Programming Guide (2010), Erişim Adresi: https://developer.download.nvidia.com/compute/DevZone/docs/html/C/doc/CUDA_C_Programming_Guide.pdf. (Erişim Tarihi: 20.03.2018).
23. 23. Plateau-de-bure (2010), Erişim Adresi: http://www.iram-institute.org/EN/plateau-de-bure.php/. (Erişim Tarihi: 22.12.2018).
24. 24. Ruetsch G., Fatica M. (2013) CUDA Fortran for Scientists and Engineers, NVIDIA Corporation, Santa Clara, USA.
25. 25. Sánchez-Monge Á. (2018) XCLASS: Automatic Line Fitting of ALMA Data Introduction and Tutorial, I. Physikalisches Institution Universität zu Köln.
26. 26. Submillimeter Array (2005), Erişim Adresi: http://sma1.sma.hawaii.edu/. (Erişim tarihi: 24.12.2018).
27. 27. Very Large Array, (2008), Erişim Adresi: http://www.vla.nrao.edu/. (Erişim Tarihi: 24.12.2018).
28. 28. Westerlund S. ve Harris C. (2015) Performance analysis of GPU-accelerated filter-based source finding for HI spectral line image data, Experimental Astronomy, 1-39, 95–117, doi: 10.1007/s10686-015-9445-2.