KIP-Veröffentlichungen

Ein neuer, schneller TPC Tracker wurde für den ALICE HLT entwickelt. In dieser Arbeit wird eine Portierung jenes Trackers auf das NVIDIA CUDA Framework vorgestellt. Der bisherige Tracker war sehr wohl in der Lage, das Tracking für Proton-Proton Kollisionen effizient durchzuführen, weshalb im folgenden der Schwerpunkt auf Schwerionenkollisionen liegt, die zu Begin der Arbeit ein Problem darstellten. Die Implementierung des Tracking-Algorithmuses wurde in vielerlei Hinsicht angepasst, um eine effiziente Nutzung der Grafikkarte zu gewährleisten. Die größten Herausforderungen bestanden insbesondere in der vollständigen Auslastung der vielen unabhängigen Rechenkerne, einem effizienten Datentransfer von und zu der GPU sowie dem geeigneten Einsatz der verschiedenen heterogenen Speichersysteme, welche die Grafikkarte bereitstellt. Um diesen Problemen Herr zu werden wurde ein dynamischer Scheduler eingeführt, der die Last unter den vielen Prozessorkernen umverteilen kann. Zusätzlich wurde der Tracker um eine Pipeline erweitert, so dass das eigentliche Tracking auf der GPU, die Initialisierung sowie Weiterverarbeitung auf der CPU und der DMA Transfer gleichzeitig ablaufen können. Neben dem Tracking Algorithmus selbst wird die Integration in die AliRoot sowie HLT Frameworks erläutert, welche die Standarmittel für Ereignisrekostruktion, Analyse sowie Trigger bereitstellen.

For online analysis in the ALICE HLT a new, fast TPC tracker was developed. This thesis presents an adaptation of it to run on graphics cards using the NVIDIA CUDA framework. As the former tracker was already well able to deal with proton-proton events, this work is focused primarily on heavy-ion events the previous tracker was not able to handle efficiently. The implementation of the algorithm had to be adjusted at many points to allow for an efficient usage of the GPU. In particular, achieving a good overall workload for many processor cores, efficient transfer to and from the GPU, as well as optimized utilization of the different memories the GPU offers turned out to be critical. To cope with these problems a dynamic scheduler was introduced, which redistributes the workload among the processor cores. Additionally a pipeline was implemented so that the tracking on the GPU, the initialization and the output processed by the CPU, as well as the DMA transfer can overlap. Besides the algorithmic implementation, the integration within AliRoot and the HLT framework is discussed, which are the standard analysis and trigger frameworks for the ALICE experiment.