Nvidia 的 RTX 4090 采用 Nvidia 的最新架構，以早期計算先驅Ada Lovelace的名字命名。與之前的架構 Ampere 相比，Ada Lovelace 享有制程節點優勢，使用臺積電為 GPU 定制的 4 納米制程。Nvidia 還強調了光線追蹤性能，以及旨在彌補啟用光線追蹤對性能造成的巨大影響的技術。但光線追蹤性能并不是唯一重要的事情，因為有很多游戲根本不支持光線追蹤。此外，大多數使用光線追蹤的游戲僅使用它來渲染某些效果；傳統的光柵化仍然負責渲染大部分場景。

我還覺得對光線追蹤的關注掩蓋了 Nvidia 工程師為提高其他領域的性能所做的工作。在本文中，我們將使用一組正在進行的微基準測試來研究 Nvidia 的 Ada Lovelace 架構。我們將關注影響各種工作負載性能的領域，無論是否有光線追蹤，特別強調緩存和內存子系統。

特別感謝Skyjuice在 RTX 4090 上運行測試。

GPU 概覽

SM 或流式多處理器構成了 Nvidia GPU 的基本構建塊。它們與 AMD 的 RDNA 和 RDNA 2 架構上的 WGP 或工作組處理器大致相當。SM 和 WGP 都具有 128 個 FP32 通道（或著色器，如果您愿意的話），并進一步分為四個塊，每個塊有 32 個通道。Ampere 最大的客戶端芯片 GA102 已經非常龐大。

GA102 框圖，來自 Nvidia 的白皮書 Ada Lovelace 表面上與 Ampere 相似，每個 SM 具有相似的計算特性。然而，它已經通過roof擴大了規模。AD102 有 144 個 SM，而 GA102 有 84 個，代表 SM 數量增加了 71%。RTX 4090 僅啟用了 128 個 SM，但這仍然代表了 52% 的增長。將其與較大的時鐘速度提升相結合，我們正在研究計算能力的巨大飛躍。

AD102 框圖，來自 Nvidia 的白皮書 但擴大 GPU 的規模不僅僅是復制和粘貼工作。GPU 往往需要來自內存子系統的大量帶寬，所有這些額外的 SM 都必須以某種方式提供。讓我們轉向我們正在進行的微基準測試，看看 Ada Lovelace 的內存層次結構。

緩存和內存延遲

我們正在啟動緩存和內存延遲基準測試，因為這將使我們對緩存設置有一個很好的了解。 與 Ampere 一樣，Ada Lovelace 堅持使用經過驗證的真正的兩級緩存方案。Nvidia 最近的兩種架構都為每個 SM 提供了一個大型 L1 緩存，但 Ada Lovelace 大大擴展了 L2 緩存。Ampere 具有傳統大小的 6 MB L2，但 AD102 包含 96 MB L2。RTX 4090 啟用了 72 MB 的二級緩存。從 Ampere 到 Ada Lovelace，Nvidia 沒有享受到顯著的 VRAM 帶寬增加，因此 Ada 的 L2 獲得了巨大的容量提升，以防止隨著計算容量的擴大而出現內存帶寬瓶頸。 AMD 的 RDNA 2 架構選擇了復雜的四級緩存系統，具有三級共享緩存。每個著色器陣列中有一個 128 KB 的 L1 來吸收來自相對較小 (16KB) 的 L0 緩存的緩存未命中流量。L2 的作用可與 Ampere 的 L2 相媲美，而大型 Infinity Cache 可幫助 AMD 通過更便宜（且功耗更低）的 VRAM 子系統實現高性能。

有趣的是，英特爾的 A770 的 L2 延遲與 RTX 4090 相似 Ada Lovelace 的緩存子系統具有令人印象深刻的延遲特性。第一級 SM 私有緩存看起來與 Ampere 的相似，但 Ada Lovelace 的更高時鐘速度使其具有整體延遲優勢。但 L2 是樂趣的開始。盡管容量比 Ampere 的 L2 增加了 12 倍，但 Nvidia 還是設法將延遲降低了大約 30 ns。Ampere 的 L2 在延遲方面接近 AMD 的 Infinity Cache，但 Ada Lovelace 的 L2 現在在容量和延遲方面位于 RDNA2 的 L2 和 Infinity Cache 之間。 與 Ampere 相比，RDNA 2 的緩存子系統看起來很有競爭力。這兩個交易在小測試規模上受到打擊，而 AMD 在 L2 規模及以上區域具有明顯優勢。Ada Lovelace 改變了這一點，隨著測試規模從 AMD 的 L2 溢出，Nvidia 現在享有明顯的優勢。Ada Lovelace 的內存延遲也有所下降，盡管這在很大程度上可能是由于更好的 L2 性能，因為必須在通往內存的路上檢查 L2。 隨著 Ada Lovelace 改進 L2，AMD 發現自己處于一個不舒服的位置，Nvidia 使用單級緩存來填補 AMD 的 L2 和 Infinity Cache 的角色。更少的緩存級別意味著更低的復雜性，以及更少的潛在標簽和每次內存訪問的狀態檢查。當然，更多的緩存級別意味著在容量、延遲和帶寬權衡方面具有更大的靈活性。RDNA 2 與 Ampere 相比無疑證明了這一點，它具有更快的 L2 緩存和更大的 Infinity Cache，幾乎與 Ampere 的 L2 一樣快。但艾達洛夫萊斯是一個不同的故事。

帶寬

延遲是影響 GPU 性能的一個因素，但帶寬也是一個因素，而且 GPU 往往比 CPU 更需要帶寬。首先，我們將使用單個 OpenCL 工作組測試帶寬。屬于同一工作組的線程能夠共享本地內存，這意味著它們將被限制在單個 WGP 或 SM 上運行。這是我們可以得到的最接近 GPU 單核帶寬測試的結果。

一旦我們進入 L2 及更高級別，RDNA 2 WGP 就比 Ampere SM 享有良好的帶寬優勢。Ada Lovelace 并沒有改變這一點，但 L2 帶寬確實比 Ampere 有所提高。再次，我們看到 Nvidia 的工程師在 L2 上做得非常出色。在 AMD 方面，我們開始看到 RDNA 2 非常擅長處理低占用工作負載的跡象。讓我們增加工作組數量來測試擴展，看看這種優勢能持續多久。

帶寬擴展

共享緩存設計很難，尤其是在 GPU 中，因為緩存必須連接到大量客戶端并滿足它們的帶寬需求。在這里，我們正在使用越來越多的工作組來測試帶寬。和以前一樣，每個工作組都必須使用單個 WGP 或 SM，因此我們看到共享緩存可以應對更多 WGP 和 SM 發揮作用并開始要求帶寬的能力。 Ada Lovelace 是對 Ampere 的明顯改進，并且在匹配的工作組數量下實現了更高的帶寬。使用 RTX 4090 的所有 SM 時，我們看到了驚人的 5 TB/s 帶寬——幾乎是使用 RTX 3090 的 84 個 SM 時看到的兩倍。Nvidia 成功地擴大了 L2 容量，同時也擴大了帶寬以支持大量 SM，這是一項了不起的成就。Ada Lovelace 在低入住率的情況下超越 Ampere 的能力是錦上添花。

AMD 在小型工作負載方面仍然具有優勢。RDNA 2 的 L2 在擴展方面尤其令人印象深刻，可以處理 40 個 WGP，要求最大帶寬，而不會出現爭用問題。大型 Infinity Cache 也表現不錯，在low occupancy.的情況下擊敗了 Ampere 和 Ada Lovelace。但與我們在英特爾的 Arc A770 上看到的不同，英偉達也不甘落后。 更重要的是，Ada Lovelace 在低占用率下的性能提升意味著 RDNA 2 失去優勢的速度比對抗 Ampere 的速度更快。由于有超過 24 個工作組在運行，Ada Lovelace 的 SM 可以從 L2 提取比 RDNA 2 的 WGP 從 Infinity Cache 獲得的更多帶寬。RDNA 2 的 L2 帶寬優勢一直持續到 Nvidia 擁有超過 50 個 SM。但是 RDNA 2 和 Ada Lovelace 之間的 L2 比較就不那么簡單了，因為 L2 容量不再像 RDNA 2 和 Ampere 那樣處于同一個范圍內。在高入住率下，Ampere 比 RDNA 2 具有相當大的優勢，但 Ada Lovelace 更進一步。RDNA 2 的 L2 和 Infinity Cache 與 Lovelace 的 L2 相比都處于明顯劣勢。 接下來，讓我們看看當測試大小大到足以溢出緩存時會發生什么。

我們測量的 RTX 4090 在高占用率下的理論帶寬高于理論帶寬，這可能是因為一些重復讀取被合并并廣播到多個 SM。我有沒有提到 GPU 測試很難？ Ada Lovelace 的擴展速度不如 Ampere，但這種優勢并不是特別重要，因為 Ada Lovelace 應該為 L2 之外的更多內存訪問提供服務。VRAM 帶寬也沒有比 Ampere 顯著增加，但兩張 Nvidia 卡的絕對帶寬仍然很大。從角度來看，它們的理論顯存帶寬幾乎與 AMD 的 Radeon VII 一樣多，后者具有基于 HBM2 的顯存子系統。 AMD 的 RDNA 2 在低占用率下再次享有帶寬優勢，但 Nvidia 最近的架構為大型工作負載提供了更多的 VRAM 帶寬。AMD 也更依賴于他們的 Infinity Cache，因為他們的 VRAM 帶寬在加載十幾個 WGP 后停止擴展。 最后，讓我們測試 512 個工作組在高占用率下的帶寬。這應該讓每個 SM 或 WGP 有多個工作組可供使用，每個工作組中都有大量的并行性。

使用Nemes的基于 Vulkan 的帶寬測試獲得的 RTX 3090 結果。與此處的 OpenCL 結果不直接可比較，但無論如何都提供了上下文 由于 RTX 4090 的高時鐘速度和瘋狂的 SM 數量，Ada Lovelace 的 L1 帶寬突破了roof并破壞了該圖表上的比例。L2 緩存帶寬也不是開玩笑的，它比 Ampere 的帶寬有了很大的改進。即使 RDNA 2 可以為 L2 或 Infinity Cache 的內存訪問提供服務，RDNA 2 也難以與之競爭。AMD 確實為他們完成了工作。

本地內存延遲

在 GPU 上，本地內存是一小塊暫存器內存，由工作組中的所有線程共享，并且在工作組之外無法訪問。軟件必須明確地將數據加載到本地內存中，一旦工作組完成執行，本地內存內容就會消失。這使得本地內存更難使用，但作為交換，本地內存通常比普通的全局內存子系統提供更快和更一致的性能。本地內存的一種用途是在光線追蹤時存儲 BVH 遍歷堆棧。 Nvidia 將本地內存稱為“共享內存”，而 AMD 將其稱為“本地數據共享”或 LDS。

*由于時鐘斜坡非常緩慢，Nvidia Xavier 的測量可能不準確 與 Ampere 相比，Ada Lovelace 在本地內存延遲方面提供了不錯的改進，從而擴大了 Nvidia 在 RDNA 2 上的領先優勢。這里需要注意的是，Nvidia 的兩種架構都使用單個 128 KB 的 SRAM 塊作為 L1 緩存和本地內存。該架構可以通過改變標記 SRAM 的數量來提供 L1 高速緩存和本地內存大小的不同組合。相比之下，AMD 為每個 CU（WGP 的一半）使用 16 KB 的專用 L0 矢量緩存，以及 128 KB 的專用本地內存。這意味著 Nvidia 在實踐中將擁有更少的本地內存容量。

計算

試圖確定每個周期、每個 WGP 的吞吐量數據是一種令人沮喪的練習，因為很難確定 GPU 運行的時鐘速度。我們還需要調查 Nvidia 的 Ampere 和 Ada Lovelace 架構是否在我們的指令速率測試中做了一些奇怪的事情，這很難，因為我也不擁有。 至少據我們所知，Ada Lovelace 的表現很像 Ampere。常見 FP32 操作（如加法和融合乘法加法）的延遲保持在 4 個周期。用于比較的 RDNA 2 對這些操作有 5 個周期延遲。 總結各種操作的吞吐量特征：

RDNA 2 還以雙倍速率執行 FP16 操作。根據 Ada 白皮書，Ampere 和 Ada Lovelace 可以以 1:1 的速率執行 FP16，但我們無法驗證這一點，因為 Nvidia 卡都不支持 OpenCL 的 FP16 擴展。

Atomics延遲

與 CPU 非常相似，現代 GPU 支持原子操作以允許線程之間的同步。OpenCL 通過 atomic_cmpxchg 內在函數公開這些原子操作。這是我們可以在 GPU 上進行的最接近內核到內核延遲測試的方法。跟游戲有關系嗎？可能不會，因為我從未見過在游戲著色器代碼中使用這些指令。但是測試有趣嗎？是的。 與 CPU 不同，GPU 具有不同的atomic指令來處理本地和全局內存。本地內存（共享內存或 LDS）上的原子應該完全包含在 SM 或 WGP 中，因此應該比全局內存上的原子快得多。如果我們想稍微擴展一下，本地內存上的原子延遲大致相當于測量 CPU 內核上兄弟 SMT 線程之間的內核到內核延遲。

Ada Lovelace 在這里提供了對 Ampere 的增量改進，這在很大程度上可能是由于更高的時鐘速度。AMD 的 RDNA 2 在這項測試中表現非常出色。從絕對意義上說，有趣的是 GPU 上的“核心到核心”延遲如何與 Ryzen CPU 上的跨 CCX 訪問相媲美。

最后的話

審核編輯 ：李倩