EASEA : une plateforme évolutionnaire massivement

parallèle1

Plateforme de calcul massivementparallèle évolutionnaire EASEA

Pierre Collet, Nicolas Lachiche,Ogier Maitre, Frédéric Krüger, Stéphane Querry

Equipe Fouille de Données et Bioinformatique ThéoriqueLaboratoire des Sciences de l'Image, de l'Informatique et de la Télédétection

Université de Strasbourg

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 2

Plateforme physique : quelques chiffres

1.920 processeurs graphiques GPU, 14 Go de mémoire CPU : Intel Core I7 Puissance sur le papier : 6TFlops !

A titre indicatif, IBM ASCII White, machine la plus puissante du monde en 2000, avait une puissance estimée de 7TFlops, pour un poids de 106 tonnes, une consommation de 3MWatts + 3MWatts refroidissement.

Bande passante (mémoire) vers les cartes GPU: 177 Go/s Speedups possibles : jusqu’à x1000 / PC Core i7. Valeur de la machine :

4600 € !

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 3

Plateforme logicielle EASEA

Peu d'algorithmes peuvent exploiter le parallélisme massif (avec coeurs SIMD) de cartes GPU, sauf les algorithmes évolutionnaires qui sont des méthodes d'optimisation universelles ET intrinsèquement parallèles.

L'équipe FDBT développe la Plateforme logicielle EASEA (Easy Specification of Evolutionary Algorithms). Permet l'implémentation d'un algorithme évolutionnaire sur CPU

grâce au langage EASEA. Permet la parallélisation automatique sur GPU pour exploitation du

parallélisme massif. Permet l’exploitation de clusters homogènes ou hétérogènes de

machines pour exécution parallèle asynchrone. La plateforme permet aussi d'exploiter des machines standard.

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 4

Travaux de l'équipe

Partie théorique (Ogier Maitre, Frédéric Krüger, Deepak Sharma) : Adaptation des algorithmes évolutionnaires au parallélisme massif

(très grosses populations) Partie applications :

En chimie (Frédéric Krüger) : – recherche de nouvelles zéolites

En aéronautique (Stéphane Querry) :– Détermination d'une matrice de représentation d'état non linéaire

– Planification de trajectoires compatibles avec la matrice d'état

– Suivi de trajectoires par commande prédictive MPC

En énergie, smart grids (Frédéric Krüger) :– Détermination de courbes de consommation à partir de relevés

bisannuels.

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 5

Résultats en chimie (calcul GPU) Les zéolites sont des cristaux poreux avec de nombreuses applications

dans l'industrie (filtrage, catalyse, construction, médecine, ...) A ce jour, 40 zéolites naturelles, 135 zéolites synthétiques La plateforme EASEA a permis de trouver 2 nouveaux candidats à 5

atomes :

... et papier accepté dans Physical Chemistry Chemical Physics.

Novembre : chasse au gros (25 atomes) sur machine Petaflop (1000 Tesla).

Speedup espéré : x250000. 1h = 28 ans sur Core I7.

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 6

Résultats en aéronautique (identification GPU)

Détermination des quaternions par programmation génétique trajectoire avec quaternions d'origine et quaternions obtenus.

Papier accepté à WCCI'2010, Congress on Evolutionary Computation, Barcelone.

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 7

Résultats en aéronautique (trajectoires)

Retour au point de départ avec contraintes différentes :

Evitement d'obstacle :

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 8

Commande prédictive évolutionnaire

Suivi de roulis, lacet et tangage d'un aéronef en vol :

Il n'y a pas 3 courbes, mais 6 (courbes superposées 2 à 2)

-1

-0,5

0

0,5

1

1,5

1 82 163 244 325 406 487 568 649 730 811 892 973 1054 1135 1216 1297 1378 1459 1540 1621 1702 1783 1864 1945

Série1

Série2

Série3

Série4

Série5

Série6

Série7

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 9

Conclusion sur la plateforme EASEA

Utilisable aussi sur machine conventionnelle (CPU). Les deux derniers résultats présentés ont été obtenus sans GPU.

Avec GPU, des speedups atteignant x1000 peuvent être atteints (suivant les problèmes), ce qui fait que : 1 heure sur plateforme EASEA= 50 jours sur CPU 1 journée = 3 ans de calculs sur CPU !

La thématique Optimisation Stochastique de l'équipe FDBT est à la recherche de collaborations qui permettront de continuer à développer la plateforme.

Pierre Collet

Collaborations potentielles i2s2i

Avec Jan Dusek (IMFS), sur de la mécanique des fluides. Avec Jacques Gangloff (thèse en démarrage) et Edouard

Laroche (AVR). Avec Christian Heinrich (MIV) ?

Collaboration avec Romaric David (équipe@méso).

Pierre ColletEASEA : une plateforme évolutionnaire massivement parallèle 11

Références

O. Maitre, L. Baumes, N. Lachiche, A. Corma, P. Collet, Coarse Grain Parallelization of Evolutionary Algorithms on GPGPU cards with EASEA, Gecco'09, ACM, pp1403-1410, 2009.

O. Maitre, N. Lachiche, P. Clauss, L. Baumes, A. Corma, P. Collet, Efficient Parallel Implementation of Evolutionary Algorithms on GPGPU Cards, EuroPar Parallel Processing, Springer LNCS 5704, p974-985, 2009.

O. Maitre, N. Lachiche, P. Collet, Improving speedup of GP trees execution on GPGPU cards for as few as 32 fitness cases, EuroGP'10, in print, 2010.

F. Krüger, O. Maitre, S. Jimenez, L. Baumes, P. Collet, Speedups between x70 and x120 for a generic local search (memetic algorithm) on a single GPGPU chip, EvoNum'10, in print, 2010.

O. Maitre, S. Querry, N. Lachiche, P. Collet, EASEA parallelisation of Tree-Based Genetic Programming, WCCI'10, Congress on Evolutionary Computation, in print, 2010.

D. Sharma, P. Collet, GPGPU-compatible Archived Based Stochastic Ranking Evolutionary Algorithm (G-ASREA) for Multi-Objective Optimization, PPSN'10, in print, 2010.