Arm全新GPU深度解读：一次重大的飞跃｜半导体行业观察

2019-05-28 16:46发布

站内文章 / 前沿技术

41 0

我命由我不由天

女 | 书童

私信

来源：本文由公众号半导体行业观察（ID：icbank）翻译自「anandtech」，作者 Andrei Frumusanu，谢谢。

今天,Arm推出了新的Cortex-A77 CPU微架构，但更重要的推出了新的Valhall GPU架构和新的Mali-G77 GPU。Bifrost架构推出已有三年，随着行业和工作负载的不断发展，Arm的GPU也必须与时俱进。

Valhall和新款Mali-G77继上三代Mali GPU之后，在性能、密度和效率方面都有了一些显著的改进。尽管去年的G76对执行引擎的计算架构进行了一些重大更改，但G77更进一步，并且脱离了Arm相对不同寻常的计算核心设计。

回顾Bifrost——第三次是魅力

过去几年对Arm的GPU IP产品不太友好，这不是什么大秘密。当第一款Bifrost GPU——Mali-G71于2016年推出，并在当年晚些时候在麒麟960和Exynos 8895上投入生产时，我们曾期待会有良好的性能和效率提升。

Bifrost是Arm的第一个标量GPU架构，不同于上一代（Midgard：T-600，700&800系列）的矢量指令设计。这一变化是根本性的，就像我们看到AMD和英伟达这样的台式计算机GPU供应商在过去十年中推出了新的GCN和Tesla架构。

不幸的是，前两代Bifrost，Mali-G71和随后的G72都不是很好的GPU。Arm的两大主要授权商，海思和三星，用这两代架构推出的GPU都非常令人失望。麒麟960和970在这方面尤其糟糕，我认为它对华为和荣耀的产品规划和营销产生了相当大的影响。

在Bifrost架构的最后一次迭代中，Mali-G76对于Arm而言是一次更重要的飞跃，IP在很大程度上能够解决其前代产品的一些关键问题，从而为Exynos 9820和麒麟980芯片组带来了相对较好的结果。

不幸的是，当Arm迎头赶上并解决BiFrost的问题时，竞争对手并没有止步不前，而且还在挑战极限。高通的Adreno GPU架构多年来一直在移动领域处于领先地位，尽管Adreno 640今年没有取得令人印象深刻的改进，但它在性能、效率和密度方面仍明显领先于Arm。更令人担忧的是，苹果A12的GPU在性能和效率方面绝对是一个重大飞跃，甚至比高通最好的GPU都要好得多，更不用说Arm的Mali GPU了。

Valhall简介：一次重大的改进

今天我们要介绍Arm的全新GPU架构：Valhall（古挪威语Valhöll,即Valhalla）。新架构带来了全新的ISA和计算核心设计，试图解决Bifrost架构的主要缺点，并且看起来与我们看到的其他GPU供应商采用的设计方法非常相似。

Valhall GPU的第一次迭代是新的Mali-G77，它将实现我们今天将要讨论的所有架构和微架构改进。

Arm承诺的是，能效和面积密度（基于ISO性能和工艺）提高30％，以及GPU上的机器学习推理工作负载性能提高60％。

更有趣的是，在即将到来的2019年底和2020年，SoC的性能预计将比2019年的器件提高40%。下一代SoC预计只有很小的工艺节点改进，因此这里引用的大部分提升都归功于新Mali-G77 GPU的架构和微架构的飞跃。

Valhall简介：一个用于现代工作负载的新ISA

新的Valhall架构的核心是Arm的新执行核心，这与它的前代产品有很大的不同。它仍然是一个标量设计，但是不同于Bifrost不同寻常的狭窄的8-wide设计，新的执行核心更类似于我们从AMD和英伟达等台式计算机GPU供应商那里看到的样子。

Bifrost在Mali-G71和G72的初始迭代中，核心中的执行块由4-wide标量SIMD单元单元组成，其warp/wavefront大小也是4。在去年的G76上，它增加到了2个4-wide单元，warp大小是8。最初，在BiFrost的设计中，Arm使用如此窄的单元和如此小的warp的理由是为了减少ALU上的空闲周期。当时的工作负载无法有效地填充足够的线程来支持更大的warp设计。这样做的好处是，理论上Arm可以以更多的控制逻辑为代价实现更好的ALU利用率。

然而，随着新一代工作负载的不断发展，这种方法突然变得没有什么意义了。今天的游戏正在快速地向更复杂的计算发展，特别是在过去的一两年中，我们看到了起源于PC的游戏被移植到了移动设备上。

随着着色计算复杂性的增加，发出更多线程并对其进行更宽的warp设计变得更加容易。在这种情况下，新的Valhall架构支持16-wide的基于warp的执行模型。虽然仍然没有英伟达的32-wide或AMD的64-wide设计那样的宽度，但考虑到去年之前Mali GPU使用的是4-wide warp执行模型，因此这是一次巨大的飞跃。

Arm也改变了ISA本身，简化了很多指令。虽然我们没有更多细节，但据说新的ISA更易于编译，并且其设计可以更好地配合现代API（如Vulkan）。

对于此前的BiFrost GPU甚至是Midgard GPU，我们看到的是单个GPU核心采用多个执行引擎。这3个引擎有自己专用的数据路径控制逻辑、自己的调度程序和指令缓存，以及自己的寄存器文件和消息传递块，这自然会产生相当多的开销晶体管。特别是在高端，这没有任何意义，因为GPU IP自4年前的T860/880系列以来就没有改变过执行引擎的数量。

新的G77将前几代“小型”执行引擎整合到一个具有共享控制逻辑的较大的IP块中。新引擎的IP设计仍然存在一些重复：实际的ALU流水线被组织成两个“集群”，每个集群都有自己的16-wide FMA单元以及相应的执行单元。

新ISA的一部分是一种新的编码，它比我们在Bifrost中看到的更加规则。Valhall架构的一个重要新特性是，新ISA摆脱了固定的问题调度、子句和元组。在Bifrost中，Arm将指令的调度委托给编译器，将它们分组到所谓的子句中。这在实践中是有效的，尽管它在编译器上花费了大量的工作来获得最佳的结果，并试图隐藏指令和数据访问之间的延迟。

在ValHall中，调度完全由硬件完成，这本质上更类似于无序CPU的工作方式。这种新设计还意味着实际的ISA与实现的微架构更加脱节，这是一种更具前瞻性的设计选择。

新的ISA还将重点放在优化纹理指令上，这与新架构大幅增强的纹理能力有关。

其他变化包括对现有技术的增量更新和数据结构的演变，其中包括对几何流的优化和对AFBC（ARM帧缓冲压缩）的优化。

我们深入研究了执行引擎的结构，发现该结构一般可以分为四个模块：包含有warp调度和I-cache的前端、两个相同的数据路径集群（处理单元），以及连接到加载/存储单元和固定功能块的消息块。

前端支持多达64个warp或1024个线程。每个处理单元都有三个ALU：FMA和CVT（Convert）单元是16-wide，而SFU（特殊功能单元）是4-wide。

前端创建和撤消warp，并保持必要的状态。在前端内有一个动态调度程序，它决定每个warp执行哪些指令。等待dependency 的warp将替换为准备执行的warp。

I-cache在处理之间共享，是16KB（2048指令）4路组相联（4-way set associative），根据带宽每个周期能够发出4条指令。

在实际的处理单元（集群）中，我们有四个提取单元发出到算术单元中。每个提取单元都有一个紧密耦合的寄存器文件，以及一个减少访问寄存器文件的延迟的转发缓冲区。

FMA ALU每周期支持16个FP32 FMA，是FP16的两倍，也是INT8 dot产品的两倍。convert单元处理基本整数操作和自然类型转换操作，并充当分支端口。

SFU是4-wide而不是16-wide，因为它处理不太常用的指令，不需要那么大的吞吐量。

总体而言，通过在Mali-G77与Mali-G76的执行引擎之间进行更高级别的比较，我们看到了单引擎同三个引擎的对决。单引擎在主数据路径上有更多实体，而控件和I-cache的实体更少，从而提高了整个块的区域效率。

ALU延迟方面的一个重要变化是，数据路径现在是4-cycle的深度，而不是以前的8-cycle，这可以在不进行链式操作时提高性能。

同样，新核心具有类似超标量的发布，而不是过去的桶形流水线设计，在过去的桶形流水线设计中，流水线必须对上述延迟做出适当的妥协。这一变化也是新编译器被大大简化的原因之一，因为它不再需要像以前的流水线设计那样同时发出匹配指令。

Mali-G77微架构

前文介绍完了负责算术处理的执行引擎，这一节的微架构只是更宽的核心设计的一部分。此处，Arm通常保持了与上一代GPU非常相似的总体设计，但是在几个区块中有一些重要的变化。

着色器核心仍然包含执行引擎、带有缓存的加载/存储单元、属性单元、变化单元、纹理映射单元和像素后端，以及其他各种3D固定功能块。

这里最大的变化是纹理单元块，与我们在Mali-G76上发现的已经加倍的单元相比，它的吞吐量翻了一番。

从高级功能的角度来看，新的TMU看起来与其前代产品非常相似，但是我们发现新设计在吞吐量方面有一些非常重要的变化。

该设计被分成两条“路径”，一条命中路径（hit-path）和一条未命中路径（miss-path），它们可以处理缓存内部或纹理缓存外部的“未命中”（miss）。命中路径自然是一种更短的、经过延迟优化的路径。

在命中路径上，纹理缓存本身已得到改进，现在是32KB，并且能够达到16 texel/cycle吞吐量。滤波单元也得到了改进，其吞吐量也得到了提高，现在双线性纹理每cycle支持一个四边形，三线性纹理每cycle支持半个四边形，两者都是G76吞吐量的2倍。

有趣的是，Arm表示，新的TMU与之前的TMU大致相同，但仍能实现能力翻番，堪称极为优秀的工程壮举。

从根本上说，核心纹理能力的这种大幅增加改变了ALU，即GPU的Tex比率。尽管ALU能力提升了33%，但TMU吞吐量翻番意味着我们现在回到了一个更低的比率，更倾向于纹理吞吐量，而过去的GPU专注于提高计算性能。Arm认为这是一个必要的改变，因为现在的工作负载开始加重GPU在这方面的负担。

需要注意的是，虽然纹理过滤吞吐量增加了，但是实际像素后端吞吐量没有增加。这里的着色器核心仍然只能为每个时钟绘制2个像素，因此我们现在的texel（像素比率）是2：1，而在过去它仍然是1：1。

着色器核心块中的另一个重新设计是新的加载存储缓存块。从功能上讲，它与过去一样，但是现在经过重新设计，考虑到了更多的吞吐量。在同一区域内，流水线阶段的数量减少了一半，进一步降低了核心操作的延迟。带宽已被扩大到全cacheline宽度，这应该是其前身的两倍。

实际的缓存大小为16KB，4路组相联（4-way set associative），据说对于机器学习工作负载非常有用。

将所有的部分放在一起，并从着色器核心缩小到GPU级别，我们再次看到了Arm将全部的模块组织到一起的方法。该架构支持将着色器核心从1核扩展到32核，尽管G77的微架构目前仅支持16核。此外，Arm目前为RTL准备的最小的设计是7核配置，使用不同的IP（例如G52，或者未来在相同范围内的未推出的IP）可以更好地为客户提供较小的配置。

L2缓存仍然由四个部分组成，每个片的大小从256KB到1MB不等。目前，大多数供应商都采用2MB配置，我认为没有任何被授权方实现过4MB配置。在带宽方面，L2到LSC的带宽也从32B/cycle增加了一倍，达到64B/cycle（一个完整的cacheline），而外部带宽则取决于供应商为L2的每个部分实现128位还是256位AXI接口。

性能目标：提高30%的PPC和效率

从纸面上看，新的Valhall架构和新的Mali-G77看起来确实是一个很大的变化，但更重要的是知道Arm宣称的性能、效率和面积如何。

Arm的性能声明非常有趣，因为Arm公布的性能是基于每mm²。基于供应商实现他们的GPU的方式，他们可以改变核心数量以及频率，实际上很难给出一个清晰的数字来描述两个独立GPU配置之间的改进。对于G77，Arm声称新IP能够提供比G76的每mm²性能提高1.2~1.4倍。就绝对值而言，G77着色器核心的大小据说与G76核心的大小相同。

这意味着这可以直接为供应商转换成更小的GPU，或只是更多的空间，以增加额外的GPU核心，从而提高性能。特别是，Arm声称G77在纹理重的游戏中表现得非常好，因此，关注器件实际的样子，以及不同工作负载的表现将是一件有趣的事情。

另一种提高性能的方法是提高GPU的时钟。这里的根本限制是智能手机的4~5W TDP限制。在ISO流程和性能方面的比较中，据说新的G77使用17%~29%的能源和功率来完成同样的工作负载。或者换言之，性能/W提高了1.2~1.39倍。Arm表示G76和G77之间的基本频率根本不会发生太大变化，内部Arm的目标仍然是850MHz。

今年我不打算尝试任何性能和效率预测，因为有太多的变量在发挥作用。我预计，明年更大的变化之一是SoC将支持LPDDR5，这可能会显着改变智能手机的功率动态。

Arm的确指出，他们预计明年使用G77的SoC性能将提高1.4倍。以三星的Exynos9820作为G76的参考，这意味着未来的G77 SoC将以更高的功率效率（假设维持功率水平不变）接近苹果的A12 GPU性能。这将使高通陷入麻烦，因为它将明显超越当前一代Adreno 640，但我们预计高通也将推出新一代GPU。