Différence entre GPU et FPGA

Les progrès rapides de la technologie VLSI au cours des dernières décennies ont permis de fabriquer des milliards de transistors sur une seule puce. Cette progression technologique a conduit à la conception et au développement de matériel beaucoup plus rapide et économe en énergie. L'augmentation rapide des fréquences d'horloge et la bande passante de mémoire plus élevée ont entraîné une amélioration des performances. Et l'amélioration des performances à noyau unique des processeurs à usage général a diminué en raison de la diminution du taux d'augmentation des fréquences de fonctionnement. Les deux principales raisons en est l'écart croissant entre les vitesses du processeur et de la mémoire, et les limites de l'alimentation. Pour résoudre ces problèmes, l'industrie du microprocesseur s'est déplacée vers des processeurs multicœurs. D'autres alternatives viables sont venues à l'image en plus des processeurs multi-core pour surmonter ces goulots d'étranglement, y compris des ICS sur mesure et des FPGA reprogrammables, ainsi que des GPU. Alors, que préférez-vous pour vos exigences de calcul - GPU ou FPGA?

Qu'est-ce que le GPU?

L'unité de traitement graphique (GPU), plus communément appelé carte graphique ou carte vidéo, est un processeur graphique pour gérer les informations graphiques à sortir sur un affichage. GPU est un processeur spécialisé initialement conçu pour répondre à la nécessité d'accélérer le rendu graphique, principalement pour stimuler les performances graphiques des jeux sur un ordinateur. En fait, la plupart des GPU à la consommation se consacrent à obtenir des performances graphiques et des visuels supérieurs pour permettre un gameplay réaliste. Mais les GPU d'aujourd'hui sont bien plus que les ordinateurs personnels dans lesquels ils sont apparus pour la première fois.

Avant l'avènement des GPU, l'informatique à usage général, tel que nous le connaissons, n'était possible qu'avec des CPU, qui étaient les premières unités de traitement grand public fabriquées pour les utilisations des consommateurs et pour l'informatique avancée. L'informatique du GPU a considérablement évolué au cours des dernières décennies pour avoir trouvé une utilisation approfondie dans la recherche entourant l'apprentissage automatique, l'IA et l'apprentissage en profondeur. GPU est devenu un niveau avec l'introduction d'API GPU tels que Compute Unified Device Architecture (CUDA), qui a ouvert la voie au développement de bibliothèques pour les réseaux de neurones profonds.

Qu'est-ce que FPGA?

Le tableau de porte programmable sur le terrain (FPGA) est une bête entièrement différente qui a porté les performances informatiques du GPU à un tout nouveau niveau, offrant des performances supérieures dans les applications de réseaux de neurones profonds (DNNS) tout en démontrant une amélioration de la consommation électrique. Les FPGA ont été initialement utilisés pour connecter les composants électroniques ensemble, tels que les contrôleurs de bus ou les processeurs, mais au fil du temps, leur paysage d'application s'est transformé de façon spectaculaire. Les FPGA sont des dispositifs semi-conducteurs qui peuvent être programmés électroniquement pour devenir tout type de circuit ou système numérique. Les FPGA offrent une meilleure flexibilité et des capacités de prototypage rapides par rapport aux conceptions personnalisées. Altera Corporation, basée à San Jose, en Californie, est l'un des plus grands producteurs de FPGA et en 2015, la société a été acquise par Intel. Ceux-ci sont très différents du matériel basé sur l'instruction, comme les GPU et la meilleure partie est qu'ils peuvent être reconfigurés pour répondre aux exigences de plus de charges de travail à forte intensité de données, telles que les applications d'apprentissage automatique.

Différence entre GPU et FPGA

Technologie

- GPU est un circuit électronique spécialisé initialement conçu pour répondre à la nécessité d'accélérer le rendu graphique à des fins générales. Les GPU sont conçus pour fonctionner dans la mode de données multiples à instruction unique (SIMD). GPU décharge certaines des parties avides du code en accélérant les performances des applications exécutées sur le CPU. Les FPGA, en revanche, sont des dispositifs semi-conducteurs qui peuvent être programmés électroniquement pour devenir tout type de circuit ou système numérique que vous souhaitez.

Latence

- Les FPGA offrent une latence plus faible que les GPU, ce qui signifie qu'ils sont optimisés pour traiter les applications dès que l'entrée est donnée avec un retard minimal. L'architecture du FPGA lui permet d'obtenir une puissance de calcul élevée sans le processus de conception complexe, ce qui le rend idéal pour les applications de latence les plus basses. Ils atteignent une capacité de calcul significativement plus élevée en moins de temps possible par rapport aux GPU, ce qui doit relativement évoluer pour rester pertinent.

Efficacité énergétique

- L'efficacité énergétique est une métrique de performance importante depuis des années et les FPGA excellent également parce qu'ils sont connus pour leur efficacité énergétique. Ils peuvent prendre en charge les taux de débit de données très élevés en ce qui concerne le traitement parallèle dans les circuits mis en œuvre dans le tissu reconfigurable. La meilleure chose à propos des FPGA est qu'elle peut être reconfigurée, ce qui offre une flexibilité qui leur donne un avantage sur leurs homologues GPU pour certains domaines d'application. Bon nombre des opérations de données largement utilisées peuvent être implémentées efficacement sur les FPGA grâce à une programmabilité matérielle. Les GPU sont également économes en puissance, mais uniquement pour les flux SIMD.

Opérations de points flottants

- De nombreuses applications informatiques hautes performances, telles que l'apprentissage en profondeur, nécessitent une forte dépendance à l'égard des opérations de points flottants. Bien que l'architecture flexible des FPGA présente un superbe potentiel dans les réseaux clairsemés, qui sont l'un des sujets les plus chauds des applications ML, ils souffrent pour atteindre des vitesses plus élevées pour les applications qui utilisent largement les opérations arithmétiques à point flottante. Les opérations de points flottants sont quelque chose que les GPU sont vraiment bons. Le GPU le plus rapide a une performance de point flottante de 15 tflops maximum.

GPU VS. FPGA: tableau de comparaison

Résumé

En un mot, les GPU permettent un environnement de développement flexible et des temps de redressement plus rapides, mais les FPGA offrent une bien meilleure flexibilité et des capacités de prototypage rapides. Bien que les GPU soient les meilleurs en ce qui concerne les applications de calcul haute performance qui dépendent des opérations arithmétiques à virgule flottante, les FPGA sont parfaits pour les applications avides de puissance, et leur latence est beaucoup plus déterministe car ce sont des processeurs spécialisés qui peuvent être reconfigurés électroniquement pour devenir n'importe quelle nature de circuit ou système numérique. Dans certains domaines d'application, les FPGA sont très difficiles à battre, comme des applications militaires comme les systèmes de guidage de missile, qui nécessitent une faible latence.