文章
- 产品
- 文章
【新智元导读】Groq一夜爆火的背后，是自研的语言处理单元硬件LPU，近日，Substack的专栏作家Abhinav Upadhyay为我们一步步揭示了LPU底层架构的奥秘
凭借自研的硬件加速器LPU，达成了500个token/s的神级推理速度，当场秒杀了ChatGPT。
到目前为止，Groq并没有给出任何关于LPU本身的论文，但在过去几年中，他们发表了下面两篇论文：
两篇工作分别在2020年和2022年发表在计算机体系结构顶会ISCA上，后一篇还是获奖论文。
这两篇文章解释了Groq的张量流处理器（TSP）的设计和实现，以及他们如何使用TSP构建分布式推理引擎。
那么，我们就首先详细分解一下TSP及其编译器的架构，然后以此为基础来分析Groq如何使用这些TSP，构建可靠且高吞吐量的分布式AI推理引擎。
基于微架构的设计，在CPU和GPU上执行指令是不确定的，——即无法保证特定指令何时执行、完成需要多长时间以及何时提供结果。
- 预测执行（Speculative execution）：对于分支，它会猜测分支条件是真是假，并提前预测执行该分支以提高吞吐量（当然如果猜错了，就需要放弃并返回另一条分支）；
- 指令流水线（Instruction pipelining）：将指令分为多个阶段，以流水线的方式执行，再次提高了指令吞吐量；
因此，Groq为TSP提出了一个全新的设计，高度并行，且没有不确定行为。这消除了硬件的复杂性，使编译器能够获得更大的权力，精确调度和控制指令的执行，保证对程序性能的限制。
TSP的硬件设计与CPU或GPU的设计形成鲜明对比。传统的多核芯片采用平铺架构，在下图（a）中，每个小方块（tile）代表一个处理核心。
核心由一组功能单元组成，负责执行不同类型的计算（算术运算、内存运算、逻辑运算、指令控制等）。
网格的每一列只包含特定类型的功能单元，称为切片（slice）。下图显示了传统多核芯片和TSP在设计上的区别。
ICU：指令控制单元，这个有点特殊，就是上图（b）底部那一条水平的蓝色条，它负责获取和调度指令并在其他切片上执行。
TSP以SIMD（单指令多数据）方式执行指令。每个功能切片由20个tile组成，每个tile能够处理16个数。因此，一个完整的切片可以处理并生成最大320个元素的向量。
当从内存中读取向量时，会为其分配流ID（介于0到31之间）和流向（东或西）。每个切片都可以自由处理流并生成新的结果流，也可以让流按原样流向下一个相邻切片。
TSP中指令的流水线执行会导致流在切片之间交错移动。上图的黑色块描绘了流在切片中不同时间戳的移动。
TSP的设计人员简化了硬件，所以压力就给到了编译器这边。编译器需要精确地调度指令和数据流，以正确执行给定的程序，并以最有效的方式执行。
- 320个通道的编程抽象：TSP芯片中的每个tile都能够以SIMD方式在矢量的16个单元（16个通道）上运行。垂直切片由20个这样的tile组成，因此总共有320个SIMD通道可供执行；
- 144个独立指令队列：芯片上有144个指令队列，每个周期能够发出一条或多条指令。编译器可以完全控制每个队列中的程序顺序；
- 每个通道64个逻辑流：每个通道可以访问64个逻辑流，可用于移动操作数或结果，其中32个可用于向东移动数据，而另外32个用于向西移动数据；
由于TSP硬件中没有非确定性行为，因此编译器可以准确了解每条指令的延迟，以及程序中的数据流（DNN的计算图等）。
TSP是LPU的基础单元。许多TSP以机架的形式组合在一起，形成一个能够提供大量吞吐量的分布式系统。
与TSP一样，分布式多TSP系统的设计目标也围绕着确定性数据流和指令执行，以及节点之间的低延迟通信。
分布式TSP系统的设计从节点开始。节点由机箱内8个TSP设备组成。这些设备中的每一个都由11个引脚组成，其中7个引脚用于将每个TSP设备连接到节点中的其他7个TSP设备，其余4个引脚用于形成全局链接。
节点中的每个设备都有4个全局链路，总共有32个全局链路，共同构成了一个32个虚拟端口的高基数路由器（high-radix router）。
将9个这样的TSP节点和8个TSP组合成一个机架。机架中的每个节点都有32个端口，因此机架总共有288个全局端口。
其中144个端口在机架内本地使用，以便在机架内快速传输数据，其余144个端口用于连接到其他机架。
最大配置的系统可以支持145个相互互连的机架，包括10440个TSP，系统中任何两个TSP之间最多有5个hops。
在这种扩展的分布式系统制度中，单个TSP的功能单元充当大规模并行处理器的单个处理核心。TSP的计算模型基于确定性硬件，所以整个分布式系统也应具有同样的确定性。
每个TSP设备都包含一个称为硬件对齐计数器（HAC）的硬件计数器，溢出周期为256。TSP通过以下步骤使用它来相互同步：
- 当两个TSP互连时，其中一个TSP将其HAC值传输给对方。然后，对方将该值返回发送方。发送方观察当前HAC值与返回值之间的差值。
- 这个差值就代表了两个设备之间链路的延迟。此过程重复多次，得到两个TSP之间的平均链路延迟。
- 之后，两个设备以父子关系排列。父级定期将当前HAC值发送给子级。子级将平均链路延迟与自己的HAC值相加，并与自己的HAC值进行比较。
- 两个值之间的差值表示由于连续时钟漂移而导致的初始未对准。然后子级调整其HAC值以减小此差异。在多次重复此过程后，两个TSP的HAC值会收敛在一个小邻域内，表示链路延迟的抖动。
程序在多TSP系统上执行之前，需要对齐所有TSP，以正确调度整个系统的数据流和指令执行。这涉及到以下机制：
- 在单个TSP级别，有几个独立的功能单元和144个独立的指令队列。为了同步它们，TSP支持SYNC和NOTIFY指令。SYNC指令将所有指令队列置于停放状态，其中一个队列充当通知程序。当通知器发出 NOTIFY指令时，该指令被广播到芯片上的所有队列，此时它们被同步并恢复操作。
- 对于多TSP系统，两个TSP使用HAC相互同步，另外每个TSP都支持DESKEW指令，用于停止处理任何后续指令，直到TSP的HAC溢出。
虽然TSP在程序开始时进行一次性同步，但它们也需要在程序执行期间重新同步，因为每个TSP都有自己独立的时钟源。
为此，TSP使用更轻量级的方案。除了HAC之外，每个TSP都有一个软件对齐计数器（SAC），其溢出周期与HAC相同。
但是，SAC在TSP之间不同步，SAC只是计算TSP的时钟周期。HAC值表示分布式系统的全局时间，而SAC表示本地时间。因此，HAC和SAC值之间的增量决定了累积漂移。
为了重新同步本地和全局时间，TSP执行一条RUNTIME_DESKEW指令。系统中的每个TSP同时执行该指令，根据累积的漂移调整全局时间与本地时间。
到目前为止，编译器能够对TSP内以及整个网络中的数据移动进行周期准确的了解。编译器知道在源TSP上注入向量的确切时间以及它到达目标TSP的确切时间，称为软件计划网络。
对于深度学习模型，编译器可以根据模型的静态计算图推断数据流。编译器还可以在网络中可用的TSP设备之间自动分配计算任务。
因此，编译器会计算每个子任务的精确执行时间以及各层之间的激活交换。这使得并行分解步骤显式，并完全由编译器控制。
在传统的网络系统中，通过网络的数据包流由硬件管理，硬件在感应到网络中的负载时会优化路由。数据流中的这种被动调整会增加延迟，并在数据流中引入非确定性。
为了避免这种情况，分布式多TSP系统使用编译器显式调度通过网络的数据流。编译器巧妙地路由数据，以便在任何时间点都不会在网络中出现拥塞积聚。
除此之外，编译器计划的数据流还改善了网络中的延迟，因为编译器可以调度数据主动推送，而不是必须通过设备请求。
在编译时调度数据流的另一个优点是，它允许编译器有效地跨可用链接对流进行负载均衡。在传统网络中，硬件根据路由器中可用的拥塞指标，按数据包执行路由决策。
但是，在多TSP系统的情况下，编译器会根据数据量以最佳方式执行调度，并选择要分散流量的链路数量。这样可以有效地利用系统中的可用带宽，并减少整体延迟。