Préparer un code scientifique pour les architectures exascale

Le passage à l'exascale a été marqué par l'arrivée en première place du Top500 de la machine Frontier du ORNL. La technologie conçue par Cray-HPE et utilisée dans cette machine a été réutilisée pour la construction d'autres systèmes figurant tous au top 10 du classement Top500 de juin 2022. C'est le cas de la nouvelle machine française Adastra hébergée au Cines. Dans le cadre du déploiement de la machine, des travaux de portage et d'optimisation d'applications ont été réalisés. Dans cette session nous:  

• Exposerons quelques détails techniques de la nouvelle machine.
• Décrirons les technologies envisageables pour la programmation des nœuds accélérés par GPU MI250X (AMD) de l'architecture Cray-HPE, première architecture à l'exascale. Les notions de portabilité hardware, portabilité de la performance, facilité de maintenance et de pérennité de la technologie seront utilisées pour évaluer les technologies.
• Présenterons l'environnement logiciel de la machine Adastra à travers les compilateurs disponibles, les libraires constituant les blocs fondamentaux de nombreux codes scientifiques et quelques outils de profilage CPU et GPU.
• Insisterons sur la nécessité des cas de test et d'outil facilitant la non-régression des codes de calcul.
• Continuerons en détaillant le processus de portage d'une application fonctionnant sur CPU vers GPU. La stratégie et quelques problèmes rencontrés seront évoqués. Un court tutoriel sur ``l'offloading GPU'' via OpenMP sera donné.
• Reviendrons sur quelques bonnes pratiques concernant le développement logiciel classique (git, gitflow, pipeline) et le développement logiciel dans le domaine du calcul haute performance. Nous rappelerons les enjeux de réduire votre problème à un problème d'algèbre linéaire et d'utiliser les Blas extrêmement performantes fournies sur les machines de calcul.
• Présenterons quelques résultats du portage de Smilei sur GPU AMD. Il sera l'occasion de rappeler que tous les codes ne se prêtent pas, à priori ou rapidement, à l'architecture GPU.
• Nous conclurons sur le fait qu'en calcul intensif, les architectures changent, les données changent et les codes doivent s'adapter, car la plateforme sur lequel le code fonctionne est bien le hardware, et pas seulement une pile logiciel.

L'arrivée d'une machine telle qu'Adastra dans le paysage HPC français est une aubaine pour la science et il ne reste plus qu'à accompagner les communautés pour l'utiliser le mieux possible.