# Manycore 处理器架构分析 ## 参考文档 - [Intel® Many Integrated Core Architecture (Intel® MIC Architecture) - Advanced]() - [Intel® Xeon Phi coprocessor (codename Knights Corner)]() - [https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7453080]() - [Knights Landing (KNL): 2nd Generation Intel® Xeon Phi™ Processor]() - [Fujitsu A64FX]() - [Fujitsu Presents Post-K CPU Specifications]() - [Fujitsu High Performance CPU for the Post-K Computer]() - [SUPERCOMPUTER FUGAKU - SUPERCOMPUTER FUGAKU, A64FX 48C 2.2GHZ, TOFU INTERCONNECT D]() - [Preliminary Performance Evaluation of the Fujitsu A64FX Using HPC Applications]() - [FUJITSU Processor A64FX]() - [NVIDIA A100 Tensor Core GPU Architecture]() - [NVIDIA TESLA V100 GPU ARCHITECTURE]() - [NVIDIA A100 TENSOR CORE GPU]() ## Xeon Phi - Intel MIC MIC: Many Integrated Core Architecture Knights Corner: 4 路 SMT，AVX512 指令，32 KB L1I，32 KB L1D，每核心 512KB L2，乱序执行，一条 512 位计算流水线，每个周期双精度性能 `512 / 64 * 2 = 16 FLOP/cycle`。61 核 1.053GHz 双精度性能是 `16 * 61 * 1.053 = 1028 GFLOPS`。 向量寄存器分为四组，每组 128 位，两个 DP/四个 SP。SP 和 DP 计算共享乘法器，来优化面积。 Knights Landing: 核心：4 路 SMT，AVX512 指令，乱序执行，两条 512 位计算流水线，每个周期双精度性能 `512 / 64 * 2 * 2 = 32 FLOP/cycle`，如果是 64 核 1.3 GHz，总双精度性能是 `32 * 64 * 1.3 = 2662 GFLOPS`。一共 36 个 Tile，每个 Tile 有 2 Core + 2 VPU/core + 1MB 16-way L2，最大 72 个核心。 内存：6-channel 384GB DDR4 2400 RAM（理论 `2400 * 6 * 8 = 115.2 GB/s`），8-16GB 3D MCDRAM（400+ GB/s）。 ## Fujitsu A64FX 内存：4 组，每组 8GB HBM2，带宽 256 GB/s（`1024 bit * 2G`），总共 32GB HBM2，带宽 1TB/s。Cache Line 大小 256 B。 核心：4 个 NUMA Node（Core Memory Group），每个 NUMA Node 包括 12 计算核，有 8MB 16 路的 L2 Cache。总共 48 计算核，4 辅助核。 指令集：ARMv8.2+SVE，512 位向量宽度，乱序执行，两个浮点流水线和两个整数流水线，每个周期双精度性能 `512 / 64 * 2 * 2 = 32 FLOP/cycle`，主频 2.2 GHz，按主频算理论双精度浮点性能 `32 * 2.2 * 48 = 3.4 TFLOPS`。文档里写的是双精度浮点性能 2.7 TFLOPS，单精度 5.4 TFLOPS，半精度 10.8 TFLOPS，8 位整数 21.6 TOPS，应该是按照实际测出来的算。TOP 500 配置是 7630848 核，对应 `7630848 / 48 = 158976` 个节点，Rpeak 是 `537212 TFLOPS`，那么每个节点是 `537212 / 158976 = 3.38 TFLOPS`，和上面的 3.4 接近。Linpack 跑出来的 Rmax 是 442010 TFLOPS，每个节点是 `442010 / 158976 = 2.78 TFLOPS`，和文档里说的比较接近。 部分主要特性： - Four-operand FMA: ARM FMA 指令只能是 `R0=R0+R1*R2`，A64FX 可以合并 `R0=R3,R0=R0+R1*R2` 两条为一条 `R0=R3+R1*R2` 指令 - Gather/Scatter: 非连续访存，同一个 128B 内连续的 lane 可以合并访问，如果数据有局部性的话，可以得到两倍带宽 ## NVIDIA GPU | 型号 | 工艺 | Peak DP(TFLOPS) | 功耗 (W) | 性能功耗比 (TFLOPS/W) | | --- | --- | --- | --- | --- | | P100 | 16 nm FinFET+ | 4.7 | 250 | 0.019 | | V100 | 12 nm FFN | 7 | 250-300 | 0.023-0.028 | | A100 | 7 nm N7 | 9.7 | 250-400 | 0.024-0.039 | | 型号 | 内存容量 (GB) | 内存带宽 (GB/s) | 内存类型 | L2 缓存大小 | 寄存器堆大小 | | --- | --- | --- | --- | --- | --- | | P100 | 12-16 | 549-732 | 4096 bit HBM2 | 4096 KB | 14336 KB | | V100 | 16-32 | 900 | 4096 bit HBM2 | 6144 KB | 20480 KB | | A100 | 40-80 | 1555-2039 | 5120 bit HBM2 | 40960 KB | 27648 KB | | 型号 | SM 数量 | CUDA 核心数 | FP64 核心数 | SM 频率 (MHz) | | --- | --- | --- | --- | --- | | P100 | 56 | 3584 | 1792 | 1328 | | V100 | 80 | 5120 | 2560 | 1380 | | A100 | 108 | 6912 | 3456 | 1410 | - CUDA 核心数 = SM 数量 \* 64 - FP64 核心数 = SM 数量 \* 32 - Peak DP = FP64 核心数 \* SM 频率 \* 2 - 寄存器堆大小 = SM 数量 \* 256 KB