Datenflussrechnen mit FPGAs für die biomedizinische Bildverarbeitung

Transkript

1 Datenflussrechnen mit FPGAs für die biomedizinische Bildverarbeitung Frederik Grüll, Udo Kebschull Infrastruktur und Rechnersysteme in der Informationsverarbeitung Goethe-Universität Frankfurt ZKI-Frühjahrstagung 2014 AK Supercomputing 27. März 2014

2 Anwendungen am IRI Hochenergiephysik Lokalisationsmikroskopie Computeromographie Molekulardynamische Simulation c o n v e n t io n a l w id e - fie ld m ic r o s c o p y [Enrico Schleiff] [Fraunhofer IZFP, Saarbrücken] lo c a liz a t io n m ic r o s c o p y k i p. u n i - h e id e l b e r g. d e / A G _ C r e m e r 2/24

3 FPGAs Konfigurierbare Hardware 12 optical links up to 6.6 Gbps Configuration & Control Virtex-6 FPGA PCIe Gen2, 8 lanes 3/24 Memory (DRAM)

4 FPGAs: Die Logikzelle Auf der untersten Ebene 4/24

5 FPGAs: Routing Field Programmable Gate Array 5/24

6 FPGAs: Übersicht ½ Mio Flip-Flops 2000 Multiplizierer 25 Mb on-chip RAM + GBytes an externem Speicher 6/24

7 Warum Spezialhardware? Fibonacci-Folge in Software // calculate Fibonacci numbers int a = 1, b = 1, f; for(int i=1; i<n; i++) { f = a + b; a = b; b = f; RA println(f); } Hardware follows software Dataflow-driven design RB ADD FPGA 7/24 RA RB ADD CPU/GPU

8 Können FPGAs trotzdem schneller sein? Startnachteil emulierte Hardware: langsamere Taktfrequenz (1/10x), größere Chipfläche (>5x) Aber: extreme Parallelität keine Ressourcen nötig für Sprungvorhersage out-of-order Ausführung Cache-Hierarchie [amd.com, Jaguar Floorplan]... 8/24

9 Programmiereffizienz Hardwarenahe Programmiersprachen Ein Doktorand, eine Anwendung ( 3 Jahre) Benötigt wird aber mindestens die algorithmische Ebene. 9/24

10 MaxCompiler DFEVar DFEVar DFEVar DFEVar a b c d = = = = io.input( a, io.input( b, io.input( c, io.input( d, dfeint(16)); dfeint(16)); dfebool()); dfefloat(9, 23)); HFEVar x = a * b; DFEVar y = c? a : b; DFEVar z = stream.offset(d, 3); a b c d * x y z 10/24 MaxJava VHDL FPGA configuration

11 Arbeitsschritte CPU FPGA CPU based FPGA based Program Program port compile FPGA-Program synthesize binary bitfile execute configure FPGA calculation calculation 11/24

12 Anwendung I: Lokalisationsmikroskopie c o n v e n tio n a l w id e - fie ld m ic r o s c o p y lo c a liz a tio n m ic r o s c o p y k i p. u n i - h e id e l b e r g. d e / A G _ C r e m e r 12/24 Optische Fluoreszenzmikroskopie Verbessert die Auflösung ~x10 auf 10nm Dauerte Stunden

13 Lokalisationsmicroscopie Optische Trennung durch Blinken der Marker. 13/24

14 Lokalisationsmikroskopie 1. Film aufnehmen 2. Hintergrund abziehen 3. Signale suchen 4. Eigenschaften messen (Zentrum, Breite, Fehler) 5. Positionen eintragen 14/24

15 Localization Microscopy 100px 1µm 15/24

16 Lokalisationsmicroscopie 16/24

17 Ergebnisse belegt < 1/3 eines Xilinx V5 LX330T FPGA Gleiche Genauigkeit mit Festkommazahlen Beschleunigt um x200 gegenüber Intel i5 450 Entwicklungszeit nur 4 Monate mit MaxJava Verhältnis MaxJ/VHDL ~ 1/40 F. Grüll et al, Accelerating Image Analysis For Localization Microscopy With FPGAs, FPL11 17/24

18 Anwendung II: Electronentomographie Eukaryotic cell Medalia et al /24

19 Vorherige Implementierung auf Grafikkarte Forwärts- und Rückprojektion Quasi-zufälliges Zugriffsmuster im DRAM 19/24

20 Implementierung auf dem FPGA Linearer Zugriff auf das Volumen, Projektion wird auf dem FPGA aufgebaut. Drei Pipelines auf dem FPGA. 20/24

21 Ergebnisse Implementiert auf Xilinx Virtex-6 SX475T, 170MHz Genauigkeit blieb erhalten Beschleunigung um x5 im Vergleich zu einer NVidia Tesla C1060 [Frederik Grüll, Michael Kunz, Michael Hausmann, Udo Kebschull An Implementation of 3D Electron Tomography on FPGAs International Conference on ReConFigurable Computing and FPGAs, Cancun, Mexico, 2012 ] 21/24

22 Kommmende Projekte Molekulardynamische Simulation Quantenchromodynamik 22/24

23 Zusammenfassung Größere FPGAs verfügbar Bessere Programmiersprachen Neue Anwendungen werden möglich Schnellere Ausführung Geringerer Energie- und Platzbedarf als CPUs und GPUs 23/24

24 Danke für Ihre Aufmerksamkeit Fragen? Frederik Grüll 24/24

25 MaxJ Schwerpunktsberechnung (Backup) DFEVar q = io.input("roi", hwuint(16)).cast(calctype); DFEVar x = xcounter.getcount().cast(calctype); DFEVar y = ycounter.getcount().cast(calctype); Accumulator.Params accuconfig = Reductions.accumulator.makeAccumulatorConfig(calcType).withClear(yCounter.getWrap()); DFEVar q_acc = Reductions.accumulator.makeAccumulator(q, accuconfig); DFEVar qx_acc = Reductions.accumulator.makeAccumulator(q * x, accuconfig); DFEVar qy_acc = Reductions.accumulator.makeAccumulator(q * y, accuconfig); DFEVar mu_x = qx_acc / q_acc; DFEVar mu_y = qy_acc / q_acc; DFEVar roidone = x.eq(roiedgelength 1) & y.eq(roiedgelength 1); io.output("q", calctype, roidone).connect(q_acc); io.output("mu_x", calctype, roidone).connect(mu_x); io.output("mu_y", calctype, roidone).connect(mu_y); 25/24