| ... | ... | @@ -8,6 +8,7 @@ https://fr.wikipedia.org/wiki/Repr%C3%A9sentation_des_symboles_musicaux_en_infor |
|
|
|
|
|
|
|
# Calcul reproductible pour la physique
|
|
|
|
|
|
|
|
|
|
|
|
Les nouvelles architectures matérielles posent un défi majeur aux applications de nos communautés, dont la durée de vie est très longue (10 à 20 ans typiquement) alors que chaque génération de matériel (tous les 2 ans) apporte de nouvelles optimisations qu’il faut utiliser pour bénéficier des améliorations de performance. Jusqu’à maintenant, cela a été un frein majeur à l’adoption de ces nouveaux matériels, en dehors de quelques domaines précis ou le bénéfice semble évident (GPUs pour le Deep Learning). Encore plus particulièrement dans notre institut, l'utilisation des grilles de calcul, assemblage de matériel hétéroclie (par opposition aux super-calculateurs), constitue un défi supplémentaire pour la portabilité du code, ses performances, mais aussi pour la reproductibilité des résultats.
|
|
|
|
|
|
|
|
Ce projet se propose d’explorer tous les moyens techniques qui prétendent concilier **performance**, **portabilité** (sur les différents matériels d'une grille) **et pérennité** (possibilité de s'adapter au matériel à venir). Il s'agit généralement d'utiliser une représentation assez abstraite du calcul à réaliser, par exemple en s'appuyant sur un langage dédié à une problématique donnée (Domain Specific Language), et d'en déduire automatiquement des implémentations efficaces pour les architectures ciblées. Cela peut aussi s'obtenir par le biais de standards tels qu'OpenCL, par de la generation de code, ou de la méta-programmation à base de templates.
|
| ... | ... | @@ -22,7 +23,7 @@ Pour pouvoir se convaincre d'abandonner la double précision, encore faut-il rep |
|
|
|
|
|
|
|
Les nouveaux outils d'arithmétique stochastique développés en France nous offre une opportunité de **profiler nos calculs flottants**, d'identifier les zones de précision inutilement élevée, et au contraire de renforcer la précision de façon ciblée sur les calculs les plus instables, par exemple à l'aide d'algorithmes d'arithmétique compensée.
|
|
|
|
|
|
|
|
---
|
|
|
|
|
|
|
|
## 𝄆 Objectifs
|
|
|
|
|
|
|
|
* Comparer les approches disponibles : directives, bibliothèques, transpilateurs et générateur de code, langages dédiés, ...
|
| ... | ... | @@ -38,19 +39,20 @@ Les nouveaux outils d'arithmétique stochastique développés en France nous off |
|
|
|
* Trouver comment contourner les difficultés pour la validation des résultats de physique (sorties stockées/affichées dans un ordre aléatoire, non-associativité du calcul flottant...).
|
|
|
|
* En coordination avec des numériciens, optimiser le calcul avec des matrices de taille "moyenne", telles que celles qui interviennent dans la reconstruction de traces.
|
|
|
|
|
|
|
|
---
|
|
|
|
|
|
|
|
## 𝄆 Participants
|
|
|
|
|
|
|
|
#### Porteurs
|
|
|
|
|
|
|
|
* Depuis 2020 : **Luisa Arrabito (LUPM)**, Pierre Aubert (LAPP).
|
|
|
|
* 2022-XXXX : **Pierre Aubert (LAPP)**.
|
|
|
|
* 2020-2021 : Luisa Arrabito (LUPM).
|
|
|
|
* 2017-2020 : David Chamont (LAL).
|
|
|
|
|
|
|
|
#### Participants IN2P3
|
|
|
|
|
|
|
|
* IJCLAB : David Chamont, Hadrien Grasland, Vincent Lafage.
|
|
|
|
* LUPM : Luisa Arrabito, Yohann Scribano, Hervé Wozniak, Johan Bregeon, Johann Cohen-Tanugi.
|
|
|
|
* LLR : Gilles Grasseau, Arnaud Beck.
|
|
|
|
* LUPM : Luisa Arrabito, Yohann Scribano, Hervé Wozniak, Johan Bregeon, Johann Cohen-Tanugi.
|
|
|
|
* LLR : Arnaud Beck.
|
|
|
|
* LAPP : Jean Jacquemier, Pierre Aubert, Gilles Maurin.
|
|
|
|
* SUBATECH : Gilles Grasseau.
|
|
|
|
* LPC : Bogdan Vulpescu.
|
| ... | ... | |
| ... | ... | |
