数据流加速器上stencil计算的自动优化研究的中期报告一、研究背景Stencil计算是一类常见的科学计算算法，主要用于求解偏微分方程问题和图像处理等领域。由于其计算密集型和数据相关性强的特点，使得其运行速度受到了多方关注。而数据流加速器作为新型的计算加速器，在风能、天气预报、地球物理学等领域中得到了广泛应用，并在科学计算领域中展现出了强大的计算能力。然而，在更高效的使用数据流加速器方面，一项关键的难题是如何自动化优化Stencil计算的执行。在传统的CPU体系结构中，优化的方法多样，如代码重排、使用高效数据结构、并行化等。但是这些方法往往难以适应数据流加速器的特殊结构和计算模型。因此，如何利用数据流加速器的特点来优化Stencil计算具有重要的理论和实际意义，对于数据流加速器的广泛应用具有十分重要的作用。二、研究现状在数据流加速器上优化Stencil计算的研究已经开始贯穿整个计算机体系结构的层次。在水平方向上，存在针对具体数据流加速器实现的特定优化方法。例如，在IntelFPGA上，研究者非常关注内存带宽的利用，通过各种方法来改进数据的传输效率，以提高数据流加速器上Stencil计算的性能。在纵向方向上，针对不同层次的硬件抽象（如体系结构、指令级、并行算法等）为研究重点，与纵向相应的是，其中具有代表性的研究工作如下：1.基于硬件抽象的优化数据流加速器的特殊结构和计算模型，使得对其计算过程进行精细调优具有重要意义。一些研究者针对不同的硬件抽象层次提出了针对性的优化方法。例如，在运算单元或内存控制器级别上进行的优化可提高数据流加速器的存储带宽和运算效率；而在指令层面或编译器级别的优化则通过改变数据访问方式、顺序等等，以获得更高效的代码。2.基于并行化的优化Stencil计算本身具有并行性，因此并行化也是一种非常有前途的优化手段，对数据流加速器的性能提升有着重要的作用。目前的研究主要分为两类：一是基于传统的并行算法思路，如利用OpenMP对数据流加速器进行任务的划分与调度等；二是基于流水线的高级硬件并行结构，如一种基于GPU的数据流加速器的流水线结构。三、研究目标1.基于数据流加速器的整体特点，探索一种更加高效的自动化优化方法，以提高Stencil计算的执行效率。2.建立一种数据流加速器上Stencil计算自动优化的框架，这个框架以数据依赖性为中心，包括算法设计、并行优化和综合分析等多个环节。3.系统地评价该自动化优化框架的可行性、实用性、正确性和有效性，为数据流加速器在Stencil计算处理的高效应用提供技术支持。四、研究内容1.针对数据流加速器的计算模型，形式化研究Stencil计算过程中的数据依赖关系。2.针对形式化定义中的数据依赖关系，设计一种能够发现数据依赖关系，并能够自动调整计算分配方案以更好地利用硬件资源的算法。3.通过模拟实验和基于目标函数的分析，对自动优化方法进行评估。在实验过程中，分别对比CPU、GPU和数据流加速器上Stencil计算的执行效率和性能，验证算法的实际优越性。五、总结本次中期报告总体介绍了数据流加速器上Stencil计算的自动优化研究。通过对该领域的现状和研究目标的分析，提出了一种基于数据依赖性的优化方法，设计了自动优化框架，完成了算法设计，同时提出了进一步的研究内容。该研究预计为优化Stencil计算在数据流加速器上的执行效率和性能提供技术支持，为数据流加速器的更广泛应用奠定基础。