Architecture out-of-core basée GPU pour de la visualisation interactive de séries temporelles de données AMR

A GPU-based out-of-core architecture for interactive visualization of AMR time series data

• Auteur / Autrice : Welcome Alexandre-Barff
• Direction : Laurent Lucas
• Type : Thèse de doctorat
• Discipline(s) : Info - Informatique
• Date : Soutenance le 05/07/2024
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique en Calcul Intensif et Image pour la Simulation (LICIIS) - UR 3690 LRC DIGIT (Reims, Marne)
• Jury : Président / Présidente : Laurent Di Menza
• Jury : Examinateurs / Examinatrices : Laurent Lucas, Jean-Michel Dischler, Julien Tierny, Franck Ledoux, Hervé Deleau
• Jury : Rapporteurs / Rapporteuses : Jean-Michel Dischler, Julien Tierny

Mots clés

Mots clés contrôlés

Processeurs graphiques

Gestion mémoire (informatique)

Capacité de traitement

Simulation par ordinateur

Vidéo 3D (imagerie tridimensionnelle)

Analyse informatique

Données massives

Séries chronologiques

Scalabilité (informatique)

Mots clés libres

Amr

Out-Of-Core

Gpu

Courbes de Hilbert 3D

Visualisation interactive volumique

Amr

Out-Of-Core

Gpu

3D Hilbert's curve

Interactive volume visualization

Résumé

Ce manuscrit présente une approche de scalabilité pour de la visualisation in-téractive de série temporelle de Maillages à Raffinement Adaptatif (AMR) massives. Nouspouvons définir une donnée AMR comme un format de quadrillage dynamique de cellulesraffinées hiérarchiquement à partir d’un domaine de calcul décrit dans cette étude commeune grille cartésienne régulière. Cette caractéristique adaptative est essentielle pour suivredes phénomènes évolutifs dépendant du temps et fait du format AMR une représentationessentielle pour la simulation numérique 3D. Cependant, la visualisation des données desimulation numérique met en évidence un problème critique : l’augmentation significa-tive de l’empreinte mémoire des données générées, qui atteint des pétaoctets, dépassantainsi largement les capacités mémoire des cartes graphiques les plus récentes. La questionest donc de savoir comment accèder à ces données massives - les séries temporelles AMRen particulier - pour de la visualisation intéractive sur un simple poste de travail. Afinde répondre à cette problématique majeure, nous présentons une architecture out-of-corebasée GPU. Notre proposition est un système de cache basé sur un bricking ad-hoc identifiépar une indexation Space-Filling Curve (SFC) et gérée par une table de pagination baséeGPU qui charge les données AMR requises à la volée depuis le disque vers la mémoire duGPU.

This manuscript presents a scalable approach for large-scale Adaptive Mesh Refinement (AMR) time series interactive visualization.We can define AMR data as a dynamic gridding format of cells hierarchically refined from a computational domain described in this study as a regular Cartesian grid.This adaptive feature is essential for tracking time-dependent evolutionary phenomena and makes the AMR format an essential representation for 3D numerical simulations.However, the visualization of numerical simulation data highlights one critical issue: the significant increases in generated data memory footprint reaching petabytes, thus greatly exceeding the memory capabilities of the most recent graphics hardware.Therefore, the question is how to access this massive data - AMR time series in particular - for interactive visualization on a simple workstation. To overcome this main problem, we present an out-of-core GPU-based architecture.Our proposal is a cache system based on an ad-hoc bricking identified by a Space-Filling Curve (SFC) indexing and managed by a GPU-based page table that loads required AMR data on-the-fly from disk to GPU memory.