Аннотация
Койбаш А. А., Аноприенко А. Я. Закономерности развития видеокарт и графических процессоров. Рассмотрены основные тенденции развития графических процессоров. Выявлены некоторые закономерности прогресса видеокарт NVIDIA, сделаны выводы о перспективах их дальнейшей разработки.
Ключевые слова: графический процессор, видеокарта, NVIDIA.
В современном мире вычислительная техника внедряется повсеместно и играет все большую роль в жизни человека. Информационные технологии охватывают множество сфер деятельности, так как позволяют упрощать различные процессы и оптимизировать временные затраты. Эти возможности дали рост науке благодаря ускоренным вычислениям сложных уравнений и широкому инструментарию в моделировании.
По причине такого быстрого прогресса возникла необходимость прогнозирования дальнейшего развития оборудования и программного обеспечения. Одним из перспективных направлений компьютерной техники сегодня является производство видеокарт и графических процессоров, так как наращивание тактовой частоты замедляется и вычисления всё больше становятся параллельными и распределёнными.
Параллельные вычисления с использованием графических устройств имеют свои преимущества. Примером может служить технология NVIDIA PhysX, которая предлагает качественный расчет физических взаимодействий. На рисунке 1 показана диаграмма Nvidia, показывающая относительную производительность наиболее распространённых алгоритмов PhysX.
Рисунок 1 – Сравнительная диаграмма вычислений PhysX на CPU и GPU
Для демонстрации выбраны следующие типы задач: имитация тканей, частиц, жидкостей и гибридных тел. Видеочип Geforce GTX 280 оказывается более чем в 10 раз быстрее, чем четырехъядерный центральный процессор Intel Core 2 Quad Q6600 [1].
Компанией Nvidia разработана архитектура параллельных вычислений CUDA, позволяющая существенно увеличить производительность, используя графические процессоры. Сегодня CUDA широко используется в различных областях, как в обработке изображений и моделировании, так и в широком спектре научных вычислений [2]. При помощи CUDA появляется возможность существенно ускорять обучение нейронных сетей. Сравнительная характеристика времени обучения показана на рисунке 2.
![Рисунок 2 – Сравнительная характеристика времени обучения нейронной сети на CPU и GPU [3]](images/article5_pic2.png)
Рисунок 2 – Сравнительная характеристика времени обучения нейронной сети на CPU и GPU [3]
Таким образом, графические процессоры позволяют добиваться ускорения во множестве различных вычислительных задачах. Однако необходим анализ закономерности развития видеокарт, который позволит определить, насколько перспективным является такой подход к вычислениям. На рисунке 3 показан график прироста производительности видеокарт Nvidia от поколения к поколению.
Рисунок 3 – График прироста производительности видеокарт Nvidia [4]
Из графика видно, что прирост сопровождается неравномерным ростом. Пиковое повышение производительности составляло 130% с переходом на 8800 GTX, самое низкое – лишь на 7,7% у 9800 GTX по сравнению с 8800 GTX. Тенденции дальнейших поколений после GTX 280 показывали снижение и лишь последние поколения показывают рост [4].
Для дальнейшего сравнения были выбраны следующие 17 видеокарт разных поколений Nvidia, от 1999 до 2017 гг.:
• Riva TNT2 Ultra;
• GeForce 256 DDR;
• GeForce2 GTS;
• GeForce3;
• Ti4600;
• FX 5800;
• 6800 Ultra;
• 7800 GTX;
• 8800 GTX;
• 9800 GTX;
• GTX 280;
• GTX 480;
• GTX 580;
• GTX 680;
• GTX 780;
• GTX 980;
• GTX 1080.
Одним из самых главных параметров, характеризующих развитие, является технологический процесс – размер транзистора на кристалле. Также важным параметром является и общее количество транзисторов. Эти графики изображены на рисунке 4.
Рисунок 4 – Графики закономерностей технологического процесса и количества транзисторов
Из графика технологического процесса видно, что снижение размеров наблюдается на протяжении всей истории видеокарт. После GTX 680 еще два поколения держались на уровне 28 нм, однако GTX 1080 получила транзисторы в 16 нм. Однако размеры еще не достигли показателей центральных процессоров. Количество транзисторов также растет, за исключением GTX 980, где это, вероятно, обусловлено оптимизацией по сравнению с GTX 780. В современной видеокарте GTX 1080 количество транзисторов составляет более 7,2 млрд.
Определяющими также являются и частотные характеристики. На рисунке 5 приведены закономерности роста частот ядер и памяти.
Рисунок 5 – Графики закономерности роста частоты работы ядер и памяти
За исключением небольшого снижения частоты в GTX 780, тенденции показывают рост, приближенный к экспоненциальному. Вероятно, такой рост продолжится и дальше.
Важным элементом является память устройства. На рисунке 6 показаны графики объема и пропускной способности памяти.
Рисунок 6 – Графики роста объема и пропускной способности памяти
Объем показывает экспоненциальный рост от 32 Мбайт в Riva TNT2 Ultra до 8 Гбайт в GTX 1080. Пропускная способность также показывает рост, за исключением небольшого падения в GTX 980.
Показателем производительности графического устройства служит также скорость заполнения, измеряющаяся в количестве пикселей и текселей в секунду. Графики отображены на рисунке 7.
Рисунок 7 – Графики закономерности роста пиксельной и текстурной скорости заполнения
Как видно из графиков, тенденция также показывает рост по мере выхода новых поколений видеокарт.
Для выбора и обработки текстур используются текстурные блоки. На рисунке 8 изображен график закономерности роста количества текстурных блоков в видеокартах.
Рисунок 8 – График роста количества текстурных блоков
Количество блоков значительно возросло. График показывает рост числа текстурных блоков с каждым поколением, за исключением падения в GTX 480 и GTX 980.
Закономерность изменения максимального энергопотребления показана на рисунке 9. Начальный рост сменился уменьшением до 195 Вт, однако в GTX 780 энергопотребление снова достигло пикового значения в 250 Вт. Последние два поколения потребляют меньше энергии, что, вероятно, связано с оптимизацией.
Рисунок 9 – График максимального энергопотребления видеокарт
Таким образом, исследованы различные закономерности развития видеокарт и графических процессоров. Выявленные закономерности показывают, что в ближайшее время тенденции сохранятся, так как видеокарты еще не приблизились к пороговым значениям, как это произошло в CPU. Продолжение развития также обусловлено перспективностью параллельных вычислений.
Список литературы
1. Nvidia CUDA? неграфические вычисления на графических процессорах [Электронный ресурс]. – Режим доступа: https://www.ixbt.com/...
2. Параллельные вычисления CUDA [Электронный ресурс]. – Режим доступа: http://www.nvidia.ru/...
3. Самый быстрый в мире ускоритель для глубокого обучения [Электронный ресурс]. – Режим доступа: http://www.nvidia.com.ua/...
4. Прирост производительности видеокарт Nvidia до и после 2010 года [Электронный ресурс]. – Режим доступа: https://dtf.ru/...