Introduce SimulatorBuilder
[gromacs.git] / src / gromacs / nbnxm / cuda / nbnxm_cuda_kernel_pruneonly.cuh
blob1993a4c181ee8e4e63334ee2c5e94683f3e17091
1 /*
2  * This file is part of the GROMACS molecular simulation package.
3  *
4  * Copyright (c) 2016,2017,2018,2019, by the GROMACS development team, led by
5  * Mark Abraham, David van der Spoel, Berk Hess, and Erik Lindahl,
6  * and including many others, as listed in the AUTHORS file in the
7  * top-level source directory and at http://www.gromacs.org.
8  *
9  * GROMACS is free software; you can redistribute it and/or
10  * modify it under the terms of the GNU Lesser General Public License
11  * as published by the Free Software Foundation; either version 2.1
12  * of the License, or (at your option) any later version.
13  *
14  * GROMACS is distributed in the hope that it will be useful,
15  * but WITHOUT ANY WARRANTY; without even the implied warranty of
16  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
17  * Lesser General Public License for more details.
18  *
19  * You should have received a copy of the GNU Lesser General Public
20  * License along with GROMACS; if not, see
21  * http://www.gnu.org/licenses, or write to the Free Software Foundation,
22  * Inc., 51 Franklin Street, Fifth Floor, Boston, MA  02110-1301  USA.
23  *
24  * If you want to redistribute modifications to GROMACS, please
25  * consider that scientific software is very special. Version
26  * control is crucial - bugs must be traceable. We will be happy to
27  * consider code for inclusion in the official distribution, but
28  * derived work must not be called official GROMACS. Details are found
29  * in the README & COPYING files - if they are missing, get the
30  * official version at http://www.gromacs.org.
31  *
32  * To help us fund GROMACS development, we humbly ask that you cite
33  * the research papers on the package. Check out http://www.gromacs.org.
34  */
36 /*! \internal \file
37  *  \brief
38  *  CUDA non-bonded prune-only kernel.
39  *
40  *  Unlike the non-bonded interaction kernels, this is not preprocessor-generated,
41  *  the two flavors achieved by templating.
42  *
43  *  \author Szilárd Páll <pall.szilard@gmail.com>
44  *  \author Berk Hess <hess@kth.se>
45  *  \ingroup module_nbnxm
46  */
47 #include "gmxpre.h"
49 #include "gromacs/gpu_utils/cuda_arch_utils.cuh"
50 #include "gromacs/math/utilities.h"
51 #include "gromacs/nbnxm/cuda/nbnxm_cuda_kernel_utils.cuh"
52 #include "gromacs/pbcutil/ishift.h"
54 #include "nbnxm_cuda_types.h"
56 /* Note that floating-point constants in CUDA code should be suffixed
57  * with f (e.g. 0.5f), to stop the compiler producing intermediate
58  * code that is in double precision.
59  */
61 /**@{*/
62 /*! \brief Compute capability dependent definition of kernel launch configuration parameters.
63  *
64  * Kernel launch bounds for different compute capabilities. The value of NTHREAD_Z
65  * represents the j-concurrency, hence it determines the number of threads per block.
66  * It is chosen such that 100% occupancy is maintained (on Maxwell and later for any NTHREAD_Z,
67  * requires >=4 warp/block, NTHREAD_Z>=2 on Kepler).
68  *
69  * Hence, values NTHREAD_Z >= 2 trade inter- for intra-block parallelism
70  * which has the advantage of lowering the overhead of starting up a block, filling shmem
71  * and registers, etc. Ideally we'd want to expose as much intra-block work as possible
72  * As we also split lists to cater for the block-parallelization needed by the register-
73  * limited non-bonded kernels, for very short j-loops large NTHREAD_Z will cause slowdown
74  * as it leads to intra-block warp imbalance. Ideally, we'd want to auto-tune the choice
75  * of NTHREAD_Z, but for now we instead pick a reasonable tradeoff-value.
76  *
77  * Note that given the above input size tradeoffs and that performance depends on
78  * additional factors including GPU arch, #SM's, we'll accept performance tradeoffs
79  * of using a fixed NTHREAD_Z=4. The following outliers have been observed:
80  *   - up to 25% faster (rolling) prune kernels with NTHREAD_Z=8 in the regime where lists
81  *     are not split (much), but the rolling chunks are small;
82  *   - with large inputs NTHREAD_Z=1 is 2-3% faster (on CC>=5.0)
83  */
84 #define NTHREAD_Z           (GMX_NBNXN_PRUNE_KERNEL_J4_CONCURRENCY)
85 #define THREADS_PER_BLOCK   (c_clSize*c_clSize*NTHREAD_Z)
86 // we want 100% occupancy, so max threads/block
87 #define MIN_BLOCKS_PER_MP   (GMX_CUDA_MAX_THREADS_PER_MP/THREADS_PER_BLOCK)
88 /**@}*/
90 /*! \brief Nonbonded list pruning kernel.
91  *
92  *  The \p haveFreshList template parameter defines the two flavors of the kernel; when
93  *  true a new list from immediately after pair-list generation is pruned using rlistOuter,
94  *  the pruned masks are stored in a separate buffer and the outer-list is pruned
95  *  using the rlistInner distance; when false only the pruning with rlistInner is performed.
96  *
97  *  Kernel launch parameters:
98  *   - #blocks   = #pair lists, blockId = pair list Id
99  *   - #threads  = NTHREAD_Z * c_clSize^2
100  *   - shmem     = see nbnxn_cuda.cu:calc_shmem_required_prune()
102  *   Each thread calculates an i-j atom distance..
103  */
104 template <bool haveFreshList>
105 __launch_bounds__(THREADS_PER_BLOCK, MIN_BLOCKS_PER_MP)
106 __global__ void nbnxn_kernel_prune_cuda(const cu_atomdata_t atdat,
107                                         const cu_nbparam_t  nbparam,
108                                         const cu_plist_t    plist,
109                                         int                 numParts,
110                                         int                 part)
111 #ifdef FUNCTION_DECLARATION_ONLY
112 ;     /* Only do function declaration, omit the function body. */
114 // Add extern declarations so each translation unit understands that
115 // there will be a definition provided.
116 extern template
117 __global__ void
118 nbnxn_kernel_prune_cuda<true>(const cu_atomdata_t, const cu_nbparam_t,
119                               const cu_plist_t, int, int);
120 extern template
121 __global__ void
122 nbnxn_kernel_prune_cuda<false>(const cu_atomdata_t, const cu_nbparam_t,
123                                const cu_plist_t, int, int);
124 #else
127     /* convenience variables */
128     const nbnxn_sci_t  *pl_sci      = plist.sci;
129     nbnxn_cj4_t        *pl_cj4      = plist.cj4;
130     const float4       *xq          = atdat.xq;
131     const float3       *shift_vec   = atdat.shift_vec;
133     float               rlistOuter_sq = nbparam.rlistOuter_sq;
134     float               rlistInner_sq = nbparam.rlistInner_sq;
136     /* thread/block/warp id-s */
137     unsigned int tidxi  = threadIdx.x;
138     unsigned int tidxj  = threadIdx.y;
139 #if NTHREAD_Z == 1
140     unsigned int tidxz  = 0;
141 #else
142     unsigned int tidxz  = threadIdx.z;
143 #endif
144     unsigned int bidx   = blockIdx.x;
145     unsigned int widx   = (threadIdx.y * c_clSize) / warp_size; /* warp index */
147     /*********************************************************************
148      * Set up shared memory pointers.
149      * sm_nextSlotPtr should always be updated to point to the "next slot",
150      * that is past the last point where data has been stored.
151      */
152     extern __shared__  char sm_dynamicShmem[];
153     char                   *sm_nextSlotPtr = sm_dynamicShmem;
154     static_assert(sizeof(char) == 1, "The shared memory offset calculation assumes that char is 1 byte");
156     /* shmem buffer for i x+q pre-loading */
157     float4 *xib     = (float4 *)sm_nextSlotPtr;
158     sm_nextSlotPtr += (c_numClPerSupercl * c_clSize * sizeof(*xib));
160     /* shmem buffer for cj, for each warp separately */
161     int *cjs        = (int *)(sm_nextSlotPtr);
162     /* the cjs buffer's use expects a base pointer offset for pairs of warps in the j-concurrent execution */
163     cjs            += tidxz * c_nbnxnGpuClusterpairSplit * c_nbnxnGpuJgroupSize;
164     sm_nextSlotPtr += (NTHREAD_Z * c_nbnxnGpuClusterpairSplit * c_nbnxnGpuJgroupSize * sizeof(*cjs));
165     /*********************************************************************/
168     nbnxn_sci_t nb_sci      = pl_sci[bidx*numParts + part]; /* my i super-cluster's index = sciOffset + current bidx * numParts + part */
169     int         sci         = nb_sci.sci;                   /* super-cluster */
170     int         cij4_start  = nb_sci.cj4_ind_start;         /* first ...*/
171     int         cij4_end    = nb_sci.cj4_ind_end;           /* and last index of j clusters */
173     if (tidxz == 0)
174     {
175         /* Pre-load i-atom x and q into shared memory */
176         int ci = sci * c_numClPerSupercl + tidxj;
177         int ai = ci * c_clSize + tidxi;
179         /* We don't need q, but using float4 in shmem avoids bank conflicts.
180            (but it also wastes L2 bandwidth). */
181         float4 tmp = xq[ai];
182         float4 xi  = tmp + shift_vec[nb_sci.shift];
183         xib[tidxj * c_clSize + tidxi] = xi;
184     }
185     __syncthreads();
187     /* loop over the j clusters = seen by any of the atoms in the current super-cluster;
188      * The loop stride NTHREAD_Z ensures that consecutive warps-pairs are assigned
189      * consecutive j4's entries.
190      */
191     for (int j4 = cij4_start + tidxz; j4 < cij4_end; j4 += NTHREAD_Z)
192     {
193         unsigned int imaskFull, imaskCheck, imaskNew;
195         if (haveFreshList)
196         {
197             /* Read the mask from the list transferred from the CPU */
198             imaskFull = pl_cj4[j4].imei[widx].imask;
199             /* We attempt to prune all pairs present in the original list */
200             imaskCheck = imaskFull;
201             imaskNew   = 0;
202         }
203         else
204         {
205             /* Read the mask from the "warp-pruned" by rlistOuter mask array */
206             imaskFull = plist.imask[j4*c_nbnxnGpuClusterpairSplit + widx];
207             /* Read the old rolling pruned mask, use as a base for new */
208             imaskNew = pl_cj4[j4].imei[widx].imask;
209             /* We only need to check pairs with different mask */
210             imaskCheck = (imaskNew ^ imaskFull);
211         }
213         if (imaskCheck)
214         {
215             /* Pre-load cj into shared memory on both warps separately */
216             if ((tidxj == 0 || tidxj == 4) && tidxi < c_nbnxnGpuJgroupSize)
217             {
218                 cjs[tidxi + tidxj * c_nbnxnGpuJgroupSize/c_splitClSize] = pl_cj4[j4].cj[tidxi];
219             }
220             gmx_syncwarp(c_fullWarpMask);
222 #pragma unroll 4
223             for (int jm = 0; jm < c_nbnxnGpuJgroupSize; jm++)
224             {
225                 if (imaskCheck & (superClInteractionMask << (jm * c_numClPerSupercl)))
226                 {
227                     unsigned int mask_ji = (1U << (jm * c_numClPerSupercl));
229                     int          cj      = cjs[jm + (tidxj & 4) * c_nbnxnGpuJgroupSize/c_splitClSize];
230                     int          aj      = cj * c_clSize + tidxj;
232                     /* load j atom data */
233                     float4 tmp  = xq[aj];
234                     float3 xj   = make_float3(tmp.x, tmp.y, tmp.z);
236 #pragma unroll 8
237                     for (int i = 0; i < c_numClPerSupercl; i++)
238                     {
239                         if (imaskCheck & mask_ji)
240                         {
241                             /* load i-cluster coordinates from shmem */
242                             float4 xi = xib[i * c_clSize + tidxi];
245                             /* distance between i and j atoms */
246                             float3 rv = make_float3(xi.x, xi.y, xi.z) - xj;
247                             float  r2 = norm2(rv);
249                             /* If _none_ of the atoms pairs are in rlistOuter
250                                range, the bit corresponding to the current
251                                cluster-pair in imask gets set to 0. */
252                             if (haveFreshList && !gmx_any_sync(c_fullWarpMask, r2 < rlistOuter_sq))
253                             {
254                                 imaskFull &= ~mask_ji;
255                             }
256                             /* If any atom pair is within range, set the bit
257                                corresponding to the current cluster-pair. */
258                             if (gmx_any_sync(c_fullWarpMask, r2 < rlistInner_sq))
259                             {
260                                 imaskNew |= mask_ji;
261                             }
262                         }
264                         /* shift the mask bit by 1 */
265                         mask_ji += mask_ji;
266                     }
267                 }
268             }
270             if (haveFreshList)
271             {
272                 /* copy the list pruned to rlistOuter to a separate buffer */
273                 plist.imask[j4*c_nbnxnGpuClusterpairSplit + widx] = imaskFull;
274             }
275             /* update the imask with only the pairs up to rlistInner */
276             plist.cj4[j4].imei[widx].imask = imaskNew;
277         }
278         // avoid shared memory WAR hazards between loop iterations
279         gmx_syncwarp(c_fullWarpMask);
280     }
282 #endif /* FUNCTION_DECLARATION_ONLY */
284 #undef NTHREAD_Z
285 #undef MIN_BLOCKS_PER_MP
286 #undef THREADS_PER_BLOCK