gqa(adr): ADR-0060 hierarchical CUBE-Group SP — 2-level reduce-to-root
Placement pivot (user-approved): a CUBE Group = C CUBEs within one SIP that jointly own one KV head + its G=8 query heads. KV sequence sharded 2 levels (Level-1 inter-CUBE over C, Level-2 intra-CUBE PE over P=8 = C*P ranks); G folded into matmul M. C is a knob (8/4; C=1 = single-CUBE). Reverses the old 'a query head never spans CUBEs' non-goal (held only because the baseline was H_kv=1). device=SIP; the for-kv loop is gone (head picked by CUBE coord). Reduction is a 2-level reduce-to-root (not all-reduce): Level-2 PE tree -> Level-1 center-root CUBE-mesh reduce, adapting lrab_hierarchical_allreduce's inter-CUBE pattern as reduce-only + log-sum-exp. Data-driven (send on local P.V completion, no global barrier) + level-pipelined; per-level topology configurable (tree for decode, ring for long prefill). Rewrites SS0/2/4/5/0.5/8-11, pseudocode, and adds SSB items (4-SIP config, mesh partition, C knob, invariant-reversal check, index-math test). KO mirror updated. Topology grounded in topology.yaml (4x4 CUBE mesh/SIP, 8 PE/cube). Docs only; no production code changed. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
@@ -34,61 +34,65 @@ collective(ADR-0023/0025)에 매핑한다.
|
||||
|
||||
## TL;DR — 최종 GQA 커널 (composite hybrid) pseudocode
|
||||
|
||||
결정(§1)을 한 곳에: **GEMM → `tl.composite`; softmax 머지 + tree reduction →
|
||||
커널; `tl.load`은 lazy.** KV head별로, `G`를 matmul M 차원에 fold(진짜 GQA,
|
||||
broadcast 없음). 이것이 reference 형태이며, 산문 섹션이 각 부분을 부연한다.
|
||||
결정(§1)을 한 곳에: **GEMM → `tl.composite`; softmax 머지 + 2-level reduction
|
||||
→ 커널; `tl.load`은 lazy.** KV head는 **CUBE 좌표**로 선택(head당 CUBE Group
|
||||
하나, §0) — **`for kv` 루프 없음**. `G`는 matmul M 차원에 fold(진짜 GQA,
|
||||
broadcast 없음). KV 시퀀스는 `C × P` rank로 샤딩(Level-1 inter-CUBE × Level-2
|
||||
intra-CUBE PE); combine은 2-level reduce-to-root(§4). Reference 형태:
|
||||
|
||||
```python
|
||||
def gqa_attention(q_ptr, k_ptr, v_ptr, o_ptr,
|
||||
counter, start_pe, N, q_block, scale, *, tl):
|
||||
# ---- geometry (kernel arithmetic, §2) ----
|
||||
pe_id = tl.program_id(axis=rank_axis)
|
||||
G = H_q // H_kv # query heads per KV head (=8)
|
||||
counter, start_pe, q_block, scale, *, tl):
|
||||
# ---- geometry: this rank within its CUBE Group (§0, §2) ----
|
||||
cube_id = tl.program_id(axis=1) # which CUBE in the SIP mesh
|
||||
pe_id = tl.program_id(axis=0) # which PE in the CUBE
|
||||
kv = head_of_cube(cube_id) # CUBE coord → KV head (no for-kv loop)
|
||||
C, P = cube_group_size, pes_per_cube # Level-1 × Level-2 SP extents
|
||||
G = H_q // H_kv # query heads per KV head (=8)
|
||||
causal = q_block.is_prefill
|
||||
|
||||
for kv in range(H_kv): # one KV head per iteration (§5.2)
|
||||
# Q group: G rows folded into M → [G·T_q, d]. Lazy load (ADR-0062):
|
||||
# issue now, auto-wait at first use inside the first composite.
|
||||
q_g = tl.load(q_base(kv), (G * q_block.T_q, d)) # [G·T_q, d]
|
||||
my_len = valid_len(counter, start_pe, pe_id, N) if not causal else S_kv
|
||||
n_tiles = ceil(my_len / TILE)
|
||||
# Q group: G rows folded into M → [G·T_q, d]. Lazy load (ADR-0062).
|
||||
q_g = tl.load(q_base(kv), (G * q_block.T_q, d)) # [G·T_q, d]
|
||||
my_len = valid_len_2level(counter, start_pe, cube_id, pe_id, C, P) \
|
||||
if not causal else S_kv_local
|
||||
n_tiles = ceil(my_len / TILE)
|
||||
|
||||
# persistent arena (outside scratch_scope, ADR-0063): -inf, 0, zeros
|
||||
m, l, O = init_running(G * q_block.T_q, d)
|
||||
# persistent arena (outside scratch_scope, ADR-0063): -inf, 0, zeros
|
||||
m, l, O = init_running(G * q_block.T_q, d)
|
||||
|
||||
for j in range(n_tiles):
|
||||
if causal and tile_all_future(j, q_block):
|
||||
continue # causal skip (kernel if)
|
||||
with tl.scratch_scope(): # per-tile temporaries (ADR-0063)
|
||||
# --- GEMM #1 on the scheduler: Q·Kⱼᵀ; K streamed by composite ---
|
||||
Sj = tl.composite("gemm", a=q_g,
|
||||
b=tl.ref(k_tile(kv, j), (d, TILE))) * scale # Kᵀ pre-stored [d,TILE]
|
||||
if causal and tile_partial(j, q_block):
|
||||
Sj = Sj + causal_mask(j, q_block) # additive boundary mask
|
||||
# --- online softmax merge in the kernel (MATH ops) ---
|
||||
m_new = tl.maximum(m, tl.max(Sj, axis=-1))
|
||||
P = tl.exp(Sj - m_new)
|
||||
corr = tl.exp(m - m_new)
|
||||
l = l * corr + tl.sum(P, axis=-1)
|
||||
# --- GEMM #2 on the scheduler: P·Vⱼ; V streamed by composite ---
|
||||
Oj = tl.composite("gemm", a=P,
|
||||
b=tl.ref(v_tile(kv, j), (TILE, d)))
|
||||
O = O * corr + Oj # running merge
|
||||
m = m_new
|
||||
for j in range(n_tiles):
|
||||
if causal and tile_all_future(j, q_block):
|
||||
continue # causal skip (kernel if)
|
||||
with tl.scratch_scope(): # per-tile temporaries (ADR-0063)
|
||||
# --- GEMM #1 on the scheduler: Q·Kⱼᵀ; K streamed by composite ---
|
||||
Sj = tl.composite("gemm", a=q_g,
|
||||
b=tl.ref(k_tile(kv, j), (d, TILE))) * scale # Kᵀ pre-stored [d,TILE]
|
||||
if causal and tile_partial(j, q_block):
|
||||
Sj = Sj + causal_mask(j, q_block) # additive boundary mask
|
||||
# --- online softmax merge in the kernel (MATH ops) ---
|
||||
m_new = tl.maximum(m, tl.max(Sj, axis=-1))
|
||||
P = tl.exp(Sj - m_new)
|
||||
corr = tl.exp(m - m_new)
|
||||
l = l * corr + tl.sum(P, axis=-1)
|
||||
# --- GEMM #2 on the scheduler: P·Vⱼ; V streamed by composite ---
|
||||
Oj = tl.composite("gemm", a=P,
|
||||
b=tl.ref(v_tile(kv, j), (TILE, d)))
|
||||
O = O * corr + Oj # running merge
|
||||
m = m_new
|
||||
|
||||
# ---- cross-PE combine (§4): log-sum-exp tree to root, or store ----
|
||||
if N == 1:
|
||||
tl.store(o_base(kv), O / l)
|
||||
else:
|
||||
tree_reduce_and_store(m, l, O, pe_id, N, o_base(kv)) # tl.send/tl.recv
|
||||
# ---- 2-level combine to the CUBE Group root (§4); data-driven, no barrier ----
|
||||
hierarchical_reduce_and_store(m, l, O, cube_id, pe_id, C, P, o_base(kv))
|
||||
```
|
||||
|
||||
> **이 형태인 이유:** 두 `tl.composite` 호출이 tiling + K/V DMA 스트리밍 +
|
||||
> cross-tile 파이프라이닝을 PE_SCHEDULER에 offload한다(CPU는 coarse descriptor를
|
||||
> 내고 앞서 나가 → 엔진이 saturate 유지, §1); softmax 머지와 IPCQ tree reduction은
|
||||
> 커널에 남는다(기존 `CompositeCmd`가 cross-tile 상태를 못 들기 때문). `K`는
|
||||
> reshape-not-transpose caveat를 피하려 transpose된 `[d, TILE]`로 미리 저장된다
|
||||
> (§3, §B). 전용 "flash-composite" 커맨드 종류는 도입하지 **않는다**(§8 항목 4).
|
||||
> 내고 앞서 나가 → 엔진이 saturate 유지, §1); softmax 머지와 IPCQ reduction은
|
||||
> 커널에 남는다(기존 `CompositeCmd`가 cross-tile 상태를 못 들기 때문). reduction은
|
||||
> **2-level**(CUBE 내 Level-2 PE tree → CUBE Group 내 Level-1 CUBE-mesh reduce),
|
||||
> 둘 다 reduce-to-root·log-sum-exp이며, 각 rank가 자기 로컬 sweep을 마치는 대로
|
||||
> 전송(§4). `K`는 reshape-not-transpose caveat를 피하려 transpose된 `[d, TILE]`로
|
||||
> 미리 저장(§3, §B). 전용 "flash-composite" 커맨드 종류는 도입하지 **않는다**
|
||||
> (§8 항목 4).
|
||||
|
||||
---
|
||||
|
||||
@@ -127,7 +131,8 @@ FlashAttention을 돌린다.** 두 커널이 존재한다:
|
||||
진짜 GQA(`h_q = G·h_kv`)가 **신규 primitive 없이** 돈다 — §8 참조.
|
||||
2. **O(N) reduction.** baseline은 all-to-all bidirectional fan-out을 하여 *모든*
|
||||
rank가 full 답을 갖는다(`n_ranks − 1` 단계). 어텐션은 query owner에서만 `O`가
|
||||
필요 → root로의 **tree reduction**은 `⌈log₂ N⌉` 단계(§4).
|
||||
필요 → **2-level reduce-to-root**(intra-CUBE tree + intra-CUBE-Group
|
||||
center-mesh, §4)는 `⌈log₂ P⌉` + center-mesh-over-`C` 단계.
|
||||
3. **검증 스케일만.** `S = 16`인 이유는 1 MiB scratch bump allocator가 per-tile
|
||||
임시값을 누수하고(`test_milestone_gqa_llama70b.py:123-148`) causal masking /
|
||||
tiling이 없기 때문 → **ADR-0063**(재활용) + §5(tiling, causal skip) + composite
|
||||
@@ -166,20 +171,42 @@ FlashAttention을 돌린다.** 두 커널이 존재한다:
|
||||
pop/wait 못 한다. 따라서 본 ADR은 두 어텐션 GEMM(Q·Kᵀ, P·V)을 **각각** 자체
|
||||
composite로 발행하고 cross-GEMM softmax 머지 + IPCQ reduction은 커널에 유지한다
|
||||
— 새 "flash-composite" 커맨드 종류는 **필요 없다**(§1, §8 참조).
|
||||
- **Allocation policy (SP):** multi-user 패널에서 CUBE당 query head 하나; KV
|
||||
group의 `G` query head는 한 CUBE의 PE 안에 매핑.
|
||||
|
||||
**직교하는 두 매핑 레이어** (round-robin placement):
|
||||
- **Layer 1 (KV-parallel, intra-request):** KV token `i`는 PE
|
||||
`(start_pe + i) mod N`에 안착 — round-robin이라 한 긴 request가 `N` PE에 걸쳐
|
||||
분할, ≤1 token으로 균형.
|
||||
- **Layer 2 (inter-request):** `start_pe = request_id mod N`이 request별 "PE-0
|
||||
역할"을 회전.
|
||||
- 결합: `pe = (request_id + global_token_idx) mod N`.
|
||||
### CUBE Group — 배치 단위 (계층적 SP)
|
||||
|
||||
`N` = 하나의 (query head, request)에 대한 KV-parallel reduction group의 PE 수.
|
||||
Reduction은 **intra-CUBE** 유지(query head는 CUBE를 가로지르지 않음 — 명시적
|
||||
non-goal).
|
||||
**`CUBE Group`은 한 KV head와 그 `G` query head를 공동 소유하는 `C`개의 CUBE
|
||||
(한 SIP 내부)이다.** 한 KV head의 KV 시퀀스는 **두 레벨**의
|
||||
sequence-parallelism(SP)으로 샤딩된다:
|
||||
- **Level-1 (inter-CUBE, CUBE Group 내):** head의 시퀀스를 group의 `C` CUBE에
|
||||
분할.
|
||||
- **Level-2 (intra-CUBE, PE 간):** 각 CUBE의 조각을 다시 `P` PE에 분할.
|
||||
|
||||
따라서 한 (KV head, request)의 KV-parallel reduction group은 **`C × P` rank**이며
|
||||
모두 한 SIP 내부다. `G` query head는 matmul M 차원에 fold(전 rank에 replicate).
|
||||
`C`는 **튜닝 노브**(예: 8 또는 4): long-context prefill엔 큰 `C`, reduction이
|
||||
지배적인 짧은 decode엔 작은 `C`(→ 1 = 단일 CUBE, intra-CUBE SP만).
|
||||
|
||||
**Topology grounding** (`topology.yaml`): SIP은 `4×4` CUBE mesh(16 CUBE, ADR-0017
|
||||
NOC); CUBE는 `P = 8` PE(`hbm_pseudo_channels/hbm_channels_per_pe = 64/8`). `C = 8`
|
||||
이면 SIP은 **2 CUBE Group = 2 KV head**를 담고; 따라서 전체 `H_kv = 8` 모델은
|
||||
**4 SIP**(8/2)에 걸친다. 각 CUBE Group은 **intra-SIP**이므로 한 head의 reduction은
|
||||
CUBE NOC(Level-1) + PE IPCQ(Level-2)를 쓴다 — UCIe는 결코 아님. (출하된
|
||||
`topology.yaml`은 `sips: 2`; full scale은 4-SIP config 필요 — §B.)
|
||||
|
||||
**`--device`는 SIP을 열거한다**(CLI 의미): 한 SIP-device 벤치가 자기 2 CUBE
|
||||
Group(2 KV head)을 구동 — head는 CUBE 좌표로 공간적으로 선택, 커널 내 `for kv`
|
||||
루프 **아님**. CLI가 4 SIP-device를 논리 병렬로 돌려 8 head 전부를 커버.
|
||||
|
||||
**Token → rank 배치** (CUBE Group 내, round-robin SP, ≤1 token 균형): KV token
|
||||
`i`는 Level-1 rank `(start + i) mod C`, 이어 Level-2 rank
|
||||
`((i // C) + start_pe) mod P`에 안착 — 계층적 round-robin이라 `C × P` rank 각각이
|
||||
dense·연속 로컬 slice를 소유.
|
||||
|
||||
Reduction은 **계층적·intra-SIP**: 한 KV head는 group의 `C` CUBE에 **걸친다**
|
||||
(Level-1), CUBE NOC로 reduce; 이는 이전 "query head는 CUBE를 가로지르지 않는다"
|
||||
non-goal을 **뒤집는데**, 그 non-goal은 `H_kv=1` baseline이 필요로 한 적이 없어서
|
||||
존재했을 뿐이다. 한 head가 **SIP**을 가로지르는 것은 여전히 non-goal(head는 한
|
||||
SIP에 머문다).
|
||||
|
||||
---
|
||||
|
||||
@@ -206,27 +233,27 @@ non-goal).
|
||||
대해 **pure read**.
|
||||
- **P4.** V는 회전 안 함; V-cache는 raw projected V 보유.
|
||||
- **P5.** upstream RoPE 위치는 token의 **절대 global 위치**
|
||||
`global_idx = local_slot·N + ((pe_id − start_pe) mod N)`(§2.1). Round-robin
|
||||
placement ≠ RoPE 위치.
|
||||
`global_idx = local_slot·(C·P) + rank` (여기서 `rank = cube_local·P + pe_local`,
|
||||
§2.1). Round-robin placement ≠ RoPE 위치.
|
||||
|
||||
### 0.5.2 Shape 기호
|
||||
`T_q` = 이번 launch의 query 길이(decode: 1; prefill/chunk: chunk 폭).
|
||||
`S` = 전체 context 길이. `S_pe` = 이 PE 소유 key ≈ `⌈S/N⌉`.
|
||||
저장 `bf16`(numpy proxy `f16`, `memory_store.py:16`); `m,ℓ,O` 누산기는 정밀도가
|
||||
중요한 곳에서 `f32`.
|
||||
`S` = 전체 context 길이. `R = C·P` = CUBE Group당 rank 수;
|
||||
`S_rank` = 이 rank 소유 key ≈ `⌈S/R⌉`. 저장 `bf16`(numpy proxy `f16`,
|
||||
`memory_store.py:16`); `m,ℓ,O` 누산기는 정밀도가 중요한 곳에서 `f32`.
|
||||
|
||||
### 0.5.3 INPUTS (커널 launch당)
|
||||
|
||||
| Input | Shape (per KV head) | Location | Notes |
|
||||
|---|---|---|---|
|
||||
| `Q` | `[G, T_q, d]` | per-PE HBM (loaded to TCM) | post-RoPE (P1). group의 `G` query 행 batched. |
|
||||
| `K_cache` | `[S_pe, d]` | per-PE HBM, base `K_base[pe]`, contiguous | post-RoPE (P2). Read-only. 로컬은 dense, global index는 strided (§2.1). |
|
||||
| `V_cache` | `[S_pe, d]` | per-PE HBM, base `V_base[pe]` | raw V (P4). Read-only. |
|
||||
| `global_token_counter` | scalar | launch arg | 커널이 `S_pe`, slot↔global, causal bound 도출. |
|
||||
| `start_pe` (= `request_id mod N`) | scalar | launch arg | Layer-2 회전. |
|
||||
| `pe_id`, `N` | scalars | launch / `tl.program_id` | reduction-group geometry. |
|
||||
| `Q` | `[G, T_q, d]` | per-rank HBM (loaded to TCM) | post-RoPE (P1). group의 `G` query 행 batched. |
|
||||
| `K_cache` | `[S/(C·P), d]` | per-rank HBM, base `K_base[rank]`, contiguous | post-RoPE (P2). Read-only. 로컬 dense, global index는 `C·P`로 strided (§2.1). |
|
||||
| `V_cache` | `[S/(C·P), d]` | per-rank HBM, base `V_base[rank]` | raw V (P4). Read-only. |
|
||||
| `global_token_counter` | scalar | launch arg | 커널이 로컬 len, slot↔global, causal bound 도출. |
|
||||
| `start_cube`, `start_pe` (= `f(request_id)`) | scalars | launch arg | Level-1/Level-2 회전. |
|
||||
| `cube_id`, `pe_id`, `C`, `P` | scalars | launch / `tl.program_id` 1/0 | CUBE-Group reduction geometry (`R = C·P`). |
|
||||
| `q_block_meta` `{q_start, T_q}` | launch arg | prefill/SP causal masking & skip. |
|
||||
| `O_base` | address | launch arg | 최종 O가 쓰이는 곳 (root PE만). |
|
||||
| `O_base` | address | launch arg | 최종 O가 쓰이는 곳 (CUBE-Group root만). |
|
||||
| `softmax_scale` | scalar | launch arg | `1/√d`. |
|
||||
|
||||
**Ring Attention (§5.5)**에는 ring step마다 추가: IPCQ로 들어오는 `K_block,
|
||||
@@ -237,14 +264,15 @@ V_block`을 ping-pong 버퍼에(post-RoPE), 그리고 causal step-skip용
|
||||
|
||||
| Output | Shape | Location | Notes |
|
||||
|---|---|---|---|
|
||||
| `O` (final) | `[G, T_q, d]` | `O_base`, **root PE만** | 정규화 `O_acc / ℓ_acc`, 저장 dtype으로 cast. |
|
||||
| `O` (final) | `[G, T_q, d]` | `O_base`, **CUBE-Group root만** | 정규화 `O_acc / ℓ_acc`, 저장 dtype으로 cast. |
|
||||
|
||||
**중간값 (non-root PE, IPCQ 상 — 커널-가시 출력 아님):**
|
||||
`(m_i, ℓ_i, O_i)` (`m,ℓ`: `[G, T_q]`; `O_i`: `[G, T_q, d]` 비정규화)이
|
||||
`tl.send`로 `tree_parent`에 push(§4). `O_i`가 무거운 부분.
|
||||
**중간값 (non-root rank, IPCQ 상 — 커널-가시 출력 아님):**
|
||||
`(m_i, ℓ_i, O_i)` (`m,ℓ`: `[G, T_q]`; `O_i`: `[G, T_q, d]` 비정규화)이 2-level
|
||||
tree를 따라 부모(Level-2 PE 부모, 이어 Level-1 CUBE 부모)에 `tl.send`로 push(§4).
|
||||
`O_i`가 무거운 부분.
|
||||
|
||||
**No-SP (`N=1`):** IPCQ partial 없음; 단일 PE의 실행 중 `(m,ℓ,O)`를 제자리에서
|
||||
정규화하여 `O_base`에 기록.
|
||||
**No-SP (`C=P=1`):** IPCQ partial 없음; 단일 rank의 실행 중 `(m,ℓ,O)`를
|
||||
제자리에서 정규화하여 `O_base`에 기록.
|
||||
|
||||
**명시적 비-출력:** KV-cache write(upstream, P3), output projection(downstream),
|
||||
score `S` 및 prob `P`(미생성).
|
||||
@@ -262,7 +290,7 @@ load가 뒤따르는 compute와 오버랩된다. kernbench의 실행 + latency
|
||||
|
||||
- **GEMM tiling이 PE_SCHEDULER에 offload된다.** `CompositeCmd`는 non-blocking
|
||||
(`kernel_runner.py:182-191`, `pe_scheduler.py:104-121`): 커널이 **하나의 coarse
|
||||
descriptor**(M = `G·T_q`, PE당 전체 tile sweep)를 push하면 scheduler가 tile
|
||||
descriptor**(M = `G·T_q`, per-rank 전체 tile sweep)를 push하면 scheduler가 tile
|
||||
plan을 생성하고 타일당 DMA→GEMM→write를 스트리밍한다(ADR-0014 D6). K/V는
|
||||
scheduler가 HBM에서 스트리밍하는 `tl.ref` operand이므로, 타일당 **K/V prefetch는
|
||||
scheduler의 일**이다 — 명시적 prefetch op 없음. CPU(greenlet)는 현재 composite가
|
||||
@@ -324,14 +352,21 @@ per tile j:
|
||||
|
||||
## 2. 메모리 레이아웃 & 드라이버 책임
|
||||
|
||||
### 2.1 KV cache 할당
|
||||
- per-PE KV 버퍼는 per-PE 최대 context `⌈max_context / N⌉ × d × dtype`로 K와 V를
|
||||
각각 sizing. kernbench에서는 sequence 차원에 대해 `pe`(또는 `cube`) 축이
|
||||
`row_wise`인 `DPPolicy`로 배치된다(`policy/placement/dp.py`; baseline은 K/V에
|
||||
`DPPolicy(pe="row_wise")`, Q에 `replicate`).
|
||||
- PE 안에서 할당된 token은 **연속 append**된다(slot 0,1,2,…). global index는
|
||||
strided(`i, i+N, …`)이나 per-PE 버퍼는 dense ⇒ DMA가 연속 유지.
|
||||
- Slot → global: `global_idx = local_slot·N + ((pe_id − start_pe) mod N)`.
|
||||
### 2.1 KV cache 할당 (2-level SP)
|
||||
|
||||
한 KV head의 시퀀스는 `C × P` rank에 샤딩된다(Level-1 inter-CUBE × Level-2
|
||||
intra-CUBE PE, §0). kernbench에서는 sequence 차원을 `cube` 축(`C`에 대해
|
||||
`row_wise`)과 `pe` 축(`P`에 대해 `row_wise`) **양쪽**으로 샤딩하고 Q는 `replicate`인
|
||||
`DPPolicy`다(`policy/placement/dp.py`). baseline의 단일-축
|
||||
`DPPolicy(pe="row_wise")`가 (cube, pe) 두 축 `row_wise`가 된다.
|
||||
|
||||
- per-rank KV 버퍼는 `⌈max_context / (C·P)⌉ × d × dtype`로 K와 V 각각 sizing.
|
||||
- rank 안에서 할당된 token은 **연속 append**(slot 0,1,2,…); per-rank 버퍼는 dense
|
||||
⇒ global index가 `C·P`로 strided여도 DMA는 연속 유지.
|
||||
- Slot → global (계층적 round-robin): `rank = cube_local·P + pe_local`
|
||||
(여기서 `cube_local = (cube_id − start_cube) mod C`,
|
||||
`pe_local = (pe_id − start_pe) mod P`); 이후
|
||||
`global_idx = local_slot·(C·P) + rank`.
|
||||
|
||||
### 2.2 드라이버 launch당 의무 (최소)
|
||||
드라이버는 launch마다 base + counter + rotation을 공급하고; 커널이 나머지를
|
||||
@@ -339,22 +374,24 @@ per tile j:
|
||||
|
||||
| Launch arg | Purpose |
|
||||
|---|---|
|
||||
| `K_base[pe]`, `V_base[pe]` | per-PE KV 버퍼 base (tensor VA에서) |
|
||||
| `K_base[rank]`, `V_base[rank]` | per-rank KV 버퍼 base (tensor VA에서) |
|
||||
| `O_base` | 어텐션 출력 목적지 |
|
||||
| `global_token_counter` | 현재 sequence 위치 |
|
||||
| `start_pe = request_id mod N` | Layer-2 회전 |
|
||||
| `pe_id` (`tl.program_id`), `N` | geometry |
|
||||
| `start_cube`, `start_pe = f(request_id)` | Level-1/Level-2 회전 |
|
||||
| `cube_id`, `pe_id` (`tl.program_id` 1/0), `C`, `P` | CUBE-Group geometry |
|
||||
| `q_block_meta` | prefill/SP query block 시작 + 길이 |
|
||||
|
||||
커널 도출(평범한 산술):
|
||||
- **이번 step에 내가 쓸 차례:** `(start_pe + counter) mod N == pe_id`
|
||||
- **내 valid 길이:** `base = counter // N; rem = counter % N;
|
||||
my_len = base + (1 if ((pe_id − start_pe) mod N) < rem else 0)`
|
||||
`R = C·P`, `cube_local = (cube_id − start_cube) mod C`,
|
||||
`pe_local = (pe_id − start_pe) mod P`, 이 rank의 인덱스
|
||||
`rank = cube_local·P + pe_local`라 하자. 커널 도출(평범한 산술):
|
||||
- **이번 step에 내가 쓸 차례:** `(start_rank + counter) mod R == rank`
|
||||
- **내 valid 길이:** `base = counter // R; rem = counter % R;
|
||||
my_len = base + (1 if rank < rem else 0)`
|
||||
- **read 범위:** tile `0 .. ⌈my_len / TILE⌉`.
|
||||
- **causal bound / per-tile skip:** query block과 각 tile의 global 위치에서.
|
||||
|
||||
드라이버 = base + counter + rotation. 단일 공식
|
||||
`(request_id + token_idx) mod N`이 placement policy 전부다.
|
||||
드라이버 = base + counter + rotation. 두 SP 축에 대한 단일 공식
|
||||
`(request_id + token_idx) mod (C·P)`이 placement policy 전부다.
|
||||
|
||||
---
|
||||
|
||||
@@ -410,78 +447,117 @@ Notes:
|
||||
|
||||
---
|
||||
|
||||
## 4. Reduction (KV-parallel / SP combine) — root로의 tree
|
||||
## 4. Reduction (KV-parallel / SP combine) — 2-level reduce-to-root
|
||||
|
||||
tile sweep 후 각 PE는 `(m_i, ℓ_i, O_i)`(비정규화)를 가진다. 결합/교환 가능한
|
||||
log-sum-exp 머지로 결합(baseline의 fold와 동일 수학, `_attention_mesh_mlo.py:117-122`):
|
||||
tile sweep 후 각 rank는 자기 `1/(C·P)` shard에 대해 `(m_i, ℓ_i, O_i)`(비정규화)를
|
||||
가진다. 결합/교환 가능한 log-sum-exp 머지로 결합(baseline의 fold와 동일 수학,
|
||||
`_attention_mesh_mlo.py:117-122`):
|
||||
|
||||
```python
|
||||
def merge(m_a, l_a, O_a, m_b, l_b, O_b):
|
||||
m = tl.maximum(m_a, m_b)
|
||||
sa, sb = tl.exp(m_a - m), tl.exp(m_b - m)
|
||||
return m, l_a*sa + l_b*sb, O_a*sa + O_b*sb
|
||||
# final: O = O_root / l_root # normalise once at the tree root
|
||||
# final: O = O_root / l_root # normalise once at the CUBE-Group root
|
||||
```
|
||||
|
||||
- **타이밍:** 교환은 **P·V 후**(각 PE가 최종 `O_i`를 가짐).
|
||||
- **토폴로지:** mesh tree, depth `⌈log₂ N⌉`, 물리 이웃 상. `N=8`의 경우: level-0
|
||||
`(0↔1,2↔3,4↔5,6↔7)`, level-1 `(1↔3,5↔7)`, level-2 `(3↔7)`, root = `7`. 각 tree
|
||||
pair는 물리 `N/S/E/W` 이웃이어야 `tl.send(dir)`/`tl.recv(dir)`이 실제 link를
|
||||
쓴다(튜닝 항목 §9; 이웃을 wiring하는 SFR install은
|
||||
`configure_sfr_intracube_pe_ring`, baseline이 사용).
|
||||
- **왜 baseline fan-out이 아니라 tree인가:** 어텐션은 한 곳(`O_base`를 쓰는 PE)에서
|
||||
`O`가 필요하다. tree는 `⌈log₂ N⌉` 단계(`N=8`에 3) vs baseline all-to-all의 `N−1`
|
||||
(7). per-PE sweep이 짧은 decode에서 reduction이 지배적 비용이므로 실제 이득이다.
|
||||
(baseline fan-out은 답을 모든 rank에 복제 — 여기선 불필요.)
|
||||
- **Payload:** `O_i`(`d`-vector)가 무겁고; `m,ℓ`은 `(g, T_q)`당 scalar. 별도
|
||||
`tl.send`로 전송(baseline은 triplet을 세 send로 — 같은 패턴).
|
||||
머지가 결합적 **이고** 교환적이므로, combine은 **reduce-to-root**(어텐션은 한
|
||||
곳 — `O_base`를 쓰는 rank — 에서만 `O`가 필요, all-reduce 아님)이며 **두 레벨**로
|
||||
진행한다:
|
||||
|
||||
커널 구조(greenlet):
|
||||
### 4.1 Level-2 — intra-CUBE (P PE → CUBE root PE)
|
||||
|
||||
- CUBE의 `P` PE에 대한 **reduce-to-root tree**, depth `⌈log₂ P⌉`(`P=8`에 3), PE
|
||||
IPCQ `N/S/E/W` mesh 상(`configure_sfr_intracube_pe_ring`). 각 tree pair는 1-hop
|
||||
물리 이웃. 결과는 CUBE의 root PE에 안착.
|
||||
|
||||
### 4.2 Level-1 — intra-CUBE-Group (C CUBE root → Group root)
|
||||
|
||||
- group의 `C` CUBE에 대한 **center-root bidirectional CUBE-mesh reduce**
|
||||
(PE-root-only, `program_id(axis=1)` = `cube_id`), CUBE NOC 2D mesh(ADR-0017) 상.
|
||||
이는 **`lrab_hierarchical_allreduce.py`의 검증된 inter-CUBE 패턴(Phase 1–2:
|
||||
row-then-col이 center CUBE로 수렴)을 차용**하되 — **reduce-only**(broadcast-back
|
||||
Phase 4–5 제거; 어텐션은 root-only) + plain `+` 대신 **log-sum-exp `merge`**.
|
||||
center-root는 corner root 대비 critical path 절반
|
||||
(`lrab_hierarchical_allreduce.py:113-116`). inter-SIP phase 없음 — CUBE Group은
|
||||
intra-SIP(§0).
|
||||
|
||||
### 4.3 Data-driven 오버랩, global barrier 없음
|
||||
|
||||
- rank는 자기 로컬 P·V가 끝나는 **즉시** tree 위로 send — sibling rank를 **기다리지
|
||||
않음**; 내부 노드는 자식이 도착하는 대로 `merge`. 따라서 reduction은 **느린
|
||||
rank의 compute와 오버랩**(causal prefill 불균형, batched decode token).
|
||||
- 두 레벨은 **파이프라인**: 어떤 CUBE의 Level-2 reduction이 끝나면 그 즉시 Level-1에
|
||||
기여, 다른 CUBE가 아직 Level-2 중이어도 — **레벨 사이 barrier 없음**. (rank는
|
||||
*자기* 로컬 sweep 완료 전엔 send 불가; pre-final 부분값 전송은 무거운 `O` payload를
|
||||
여러 번 보내야 해서 가치 없음.)
|
||||
- **왜 baseline fan-out / all-reduce가 아니라 reduce-to-root인가:** baseline은 답을
|
||||
모든 rank에 복제(`R−1` 단계); 어텐션은 한 번만 필요. reduce-to-root는
|
||||
`⌈log₂ P⌉ + (C에 대한 center-mesh depth)` — decode(짧은 sweep, reduction 지배)엔
|
||||
이것이 지배적 이득.
|
||||
|
||||
### 4.4 Configurable 토폴로지
|
||||
|
||||
각 레벨의 collective는 **선택 가능**(튜닝 항목, §9): 위 기본값(Level-2 tree,
|
||||
Level-1 center-root mesh)은 latency-bound·작은-`O` decode에 적합; **ring** 옵션
|
||||
(chunked `O`)은 큰 `T_q·d` payload의 대역폭-bound long-context prefill에 적합.
|
||||
`C=1`이면 Level-2만으로 축약(single-CUBE SP).
|
||||
|
||||
**Payload:** `O_i`(`[G·T_q, d]`)가 무겁고; `m,ℓ`은 가볍다. 별도 `tl.send`로 전송
|
||||
(baseline 패턴).
|
||||
|
||||
커널 구조(greenlet), 두 레벨이 `merge` 재사용:
|
||||
|
||||
```python
|
||||
# leaf / internal node: fold children that send to me, then forward up
|
||||
for child_dir in tree_children_dirs(pe_id, N):
|
||||
m_c = tl.recv(child_dir, m.shape); l_c = tl.recv(child_dir, l.shape)
|
||||
O_c = tl.recv(child_dir, O.shape)
|
||||
m, l, O = merge(m, l, O, m_c, l_c, O_c)
|
||||
if not is_root(pe_id):
|
||||
tl.send(parent_dir(pe_id), m); tl.send(parent_dir(pe_id), l); tl.send(parent_dir(pe_id), O)
|
||||
else:
|
||||
tl.store(O_base, O / l)
|
||||
def hierarchical_reduce_and_store(m, l, O, cube_id, pe_id, C, P, o_base):
|
||||
# ---- Level-2: PE tree within the CUBE → CUBE root PE ----
|
||||
for child in tree_children_dirs(pe_id, P): # PE IPCQ N/S/E/W
|
||||
m, l, O = merge(m, l, O, *recv_triplet(child))
|
||||
if not is_cube_root(pe_id, P):
|
||||
send_triplet(parent_dir(pe_id, P), m, l, O); return
|
||||
# ---- Level-1: CUBE-mesh center-root reduce → Group root (cube roots only) ----
|
||||
for child in mesh_children_dirs(cube_id, C): # CUBE NOC, center-root
|
||||
m, l, O = merge(m, l, O, *recv_triplet(child))
|
||||
if is_group_root(cube_id, C):
|
||||
tl.store(o_base, O / l) # normalise once
|
||||
else:
|
||||
send_triplet(parent_dir_mesh(cube_id, C), m, l, O)
|
||||
```
|
||||
|
||||
`tl.recv`는 데이터 도착까지 blocking(`tl_context.py:446-499`); 머지 순서가 정적
|
||||
tree로 고정되므로 data-dependent `pop`이 불필요 — **하드웨어/composite
|
||||
reduction tree/mesh는 **정적**(컴파일 타임 고정)이라 recv 순서가 data-independent
|
||||
— data-dependent `pop` 없음, plain blocking `tl.recv`로 충분, **하드웨어/composite
|
||||
`pop`-as-dependency 변경이 필요 없는** 이유(§6).
|
||||
|
||||
---
|
||||
|
||||
## 5. Case별 커널
|
||||
|
||||
네 case 모두 §3(tile sweep) + §4(reduction)를 공유하며; `N`, query-block 폭,
|
||||
어느 `tile_*` predicate가 발동하는지에서만 다르다.
|
||||
네 case 모두 §3(tile sweep) + §4(reduction)를 공유하며; SP extent `C·P`,
|
||||
query-block 폭, 어느 `tile_*` predicate가 발동하는지에서만 다르다.
|
||||
|
||||
### 5.1 공통 skeleton
|
||||
|
||||
```python
|
||||
def attn_kernel(q_ptr, k_ptr, v_ptr, o_ptr, counter, start_pe, N,
|
||||
q_block, softmax_scale, *, tl):
|
||||
pe_id = tl.program_id(axis=rank_axis)
|
||||
my_len = valid_len(counter, start_pe, pe_id, N)
|
||||
def attn_kernel(q_ptr, k_ptr, v_ptr, o_ptr, counter, start_pe, start_cube,
|
||||
C, P, q_block, softmax_scale, *, tl):
|
||||
cube_id = tl.program_id(axis=1); pe_id = tl.program_id(axis=0)
|
||||
kv = head_of_cube(cube_id) # CUBE coord → KV head (no for-kv loop)
|
||||
my_len = valid_len_2level(counter, start_cube, start_pe, cube_id, pe_id, C, P)
|
||||
n_tiles = ceil(my_len / TILE)
|
||||
q_g = load_Q_group(q_ptr) # [G·T_q, d]; lazy tl.load, G folded into M (no broadcast)
|
||||
q_g = load_Q_group(q_ptr, kv) # [G·T_q, d]; lazy tl.load, G folded into M (no broadcast)
|
||||
m, l, O = init_running() # persistent arena: -inf, 0, zeros
|
||||
for j in range(n_tiles): # K/V streamed per tile by the composite scheduler (§3)
|
||||
if tile_all_future(j, q_block): # causal skip (kernel if)
|
||||
continue
|
||||
run_tile(j, mask_or_null(j, q_block)) # §3: 2 composites + softmax MATH, in tl.scratch_scope
|
||||
if N == 1:
|
||||
tl.store(o_ptr, O / l) # no reduction
|
||||
if C == 1 and P == 1:
|
||||
tl.store(o_base(kv), O / l) # no reduction (single rank)
|
||||
else:
|
||||
tree_reduce_and_store(pe_id, N, o_ptr) # §4
|
||||
hierarchical_reduce_and_store(m, l, O, cube_id, pe_id, C, P, o_base(kv)) # §4
|
||||
```
|
||||
|
||||
### 5.2 DECODE, no SP (`N=1`, 한 PE가 head의 KV 소유)
|
||||
### 5.2 DECODE, no SP (`C=P=1`, 한 PE가 head의 KV 소유)
|
||||
|
||||
- `T_q = 1`, 모든 과거 KV에 attend ⇒ future tile 없음, 마지막 ragged tile만 mask.
|
||||
- **GQA 재사용이 전부**(decode는 KV-load-bound): KV head의 `G=8` query 행을 matmul
|
||||
**M** 차원에 fold(`q_g`를 `[G, T_q, d] → [G·T_q, d]`로 reshape, byte-보존).
|
||||
@@ -491,18 +567,22 @@ def attn_kernel(q_ptr, k_ptr, v_ptr, o_ptr, counter, start_pe, N,
|
||||
그것들이 GEMM의 M 행이기 때문. K/V broadcast 불필요; composite의 tile plan 내
|
||||
`m = G·T_q`가 timing이 모든 `G` 행의 작업을 올바르게 세게 한다(leading batch
|
||||
축은 세어지지 *않음* — §8 참조).
|
||||
- `S_pe`가 scratch에 맞으면(작은/중간 context) 이것은 **one-shot** partial
|
||||
- `S_rank`가 scratch에 맞으면(작은/중간 context) 이것은 **one-shot** partial
|
||||
attention으로 축약(Q·Kᵀ용 composite 하나, softmax 하나, P·V용 composite 하나) —
|
||||
바로 baseline `_attention_mesh_mlo`의 `_partial_attention`, 단지 GQA-batched에
|
||||
composite 경로. Tiling(§3)은 `S_pe`가 scratch scope의 tile 예산을 초과할 때만
|
||||
composite 경로. Tiling(§3)은 `S_rank`가 scratch scope의 tile 예산을 초과할 때만
|
||||
발동.
|
||||
|
||||
### 5.3 DECODE, with SP / KV-parallel (`N=8`)
|
||||
- 한 request의 KV가 8 PE에 round-robin; 각각 ≈`my_len` token 소유. 각 PE가 자기
|
||||
로컬 tile에 대해 `G=8` query 행을 GQA-batch.
|
||||
- `T_q=1` ⇒ 짧은 per-PE sweep ⇒ **reduction 지배** ⇒ §4 tree(3단계)가 구조적으로
|
||||
중요한 부분. Reduction latency는 batch될 때 다른 동시 decode token으로, 혹은 긴
|
||||
single-stream context의 긴 per-PE tile sweep으로 숨겨진다.
|
||||
### 5.3 DECODE, with SP / KV-parallel (`C × P` rank)
|
||||
|
||||
- 한 request의 KV가 CUBE Group의 `C·P` rank에 계층적-round-robin(Level-1은 `C`
|
||||
CUBE, Level-2는 `P` PE); 각 rank가 ≈`my_len` token 소유하고 자기 로컬 tile에
|
||||
대해 `G=8` query 행을 GQA-batch.
|
||||
- `T_q=1` ⇒ 짧은 per-rank sweep ⇒ **reduction 지배** ⇒ §4 2-level reduce
|
||||
(`⌈log₂ P⌉` + `C`에 대한 center-mesh)가 구조적으로 중요한 부분. Reduction latency는
|
||||
batch될 때 다른 동시 decode token으로, 긴 single-stream context의 긴 per-rank
|
||||
sweep으로, §4.3 레벨 파이프라이닝으로 숨겨진다. 짧은 decode엔 **작은 `C`**(inter-CUBE
|
||||
reduction 적음) 선호; context 길이가 추가 KV-parallelism을 요구할 때만 `C`를 올린다.
|
||||
|
||||
### 5.4 PREFILL, no SP
|
||||
- 전체 prompt 상주; query는 `T_q` token 블록(chunk).
|
||||
@@ -514,17 +594,19 @@ def attn_kernel(q_ptr, k_ptr, v_ptr, o_ptr, counter, start_pe, N,
|
||||
- GQA는 group의 query head를 decode와 같은 축으로 batch.
|
||||
|
||||
### 5.5 PREFILL, with SP (Ring KV)
|
||||
- KV가 `N` PE(ring)에 sharded; 각 step이 peer의 KV 블록을 IPCQ로 전달. 실행 중
|
||||
`(m,ℓ,O)`는 **ring step을 가로질러** carry(Python 핸들, `_attention_mesh_kv`가
|
||||
오늘 하는 그대로).
|
||||
|
||||
- KV가 `C·P` rank에 **ring 순서**로 sharded; 각 step이 peer의 KV 블록을 IPCQ로
|
||||
전달. 실행 중 `(m,ℓ,O)`는 **ring step을 가로질러** carry(Python 핸들,
|
||||
`_attention_mesh_kv`가 오늘 하는 그대로). ring은 long-context·대역폭-bound 케이스로
|
||||
§4.4의 **ring** collective 옵션(tree 아님)이 자연스러운 선택.
|
||||
- IPCQ가 다음 step의 KV 수신을 현재 step의 compute와 `tl.recv_async`/`tl.wait`로
|
||||
오버랩(`tl_context.py:543-560` — 이미 존재).
|
||||
- **Causal ring skip:** 들어오는 step의 KV 블록이 전부 로컬 query block *이후*면 그
|
||||
compute를 skip(recv-consume 안 함 / fold 안 함) — causal 어텐션에서 약 절반 step
|
||||
제거.
|
||||
- 수신 버퍼는 ping-pong(persistent arena, 재활용 안 함).
|
||||
- ring 후, `(m,ℓ,O)`는 query-소유 PE별 최종; KV-parallel 분할이 남으면 §4가
|
||||
tree-merge한 뒤 정규화 + store.
|
||||
- ring 후, `(m,ℓ,O)`는 rank별 최종; 남은 KV-parallel 분할은 §4 2-level reduce로
|
||||
결합한 뒤 Group root에서 정규화 + store.
|
||||
|
||||
baseline `_attention_mesh_kv`가 이미 ring fold를 구현한다; 본 ADR은 GQA 재사용,
|
||||
causal step-skip, `recv_async` 오버랩을 추가한다.
|
||||
@@ -535,10 +617,10 @@ causal step-skip, `recv_async` 오버랩을 추가한다.
|
||||
|
||||
- HW/composite `pop`-as-dependency가 도움 될 유일한 곳은 poll을 숨길 다른 작업이
|
||||
없는 외로운 reduction — 즉 batch=1 **그리고** 짧은 context. 타깃은 **agentic =
|
||||
낮은 batch, 긴 context** ⇒ 각 PE가 많은 KV tile을 가짐; §4 tree의 `tl.recv`
|
||||
blocking은 동시 token / 긴 context의 sweep 작업으로 가려진다.
|
||||
- §4 reduction은 **정적** tree를 쓰므로 recv 순서가 컴파일 타임에 고정 —
|
||||
data-dependent pop 없음. `tl.recv`(blocking)로 충분.
|
||||
낮은 batch, 긴 context** ⇒ 각 rank가 많은 KV tile을 가짐; §4 reduce의 `tl.recv`
|
||||
blocking은 동시 token / 긴 context / §4.3 레벨 파이프라인의 sweep 작업으로 가려진다.
|
||||
- §4 reduction은 **정적** 2-level tree/mesh를 쓰므로 recv 순서가 컴파일 타임에 고정
|
||||
— data-dependent pop 없음. `tl.recv`(blocking)로 충분.
|
||||
- **결정: greenlet `tl.send`/`tl.recv` collective로 출시.** 짧은-context,
|
||||
single-stream, latency-critical 타깃이 나타날 때만 HW `pop` 재검토.
|
||||
|
||||
@@ -550,7 +632,7 @@ causal step-skip, `recv_async` 오버랩을 추가한다.
|
||||
|---|---|
|
||||
| tile skip (future), mask 생성, causal bound | **커널** (greenlet 본문의 Python `if` + 산술) |
|
||||
| 주소 / offset / valid-length 산술 | **커널** (counter에서) |
|
||||
| reduction 스케줄링, IPCQ send/recv 순서 | **커널** (정적 tree) |
|
||||
| reduction 스케줄링, IPCQ send/recv 순서 | **커널** (정적 2-level tree/mesh) |
|
||||
| Q·Kᵀ, P·V (per-tile K/V DMA 스트리밍 + tiling 포함) | **`tl.composite`** → PE_SCHEDULER |
|
||||
| Q load, mask add, softmax math, 실행 중 `(m,ℓ,O)` 머지 | **`tl` op** PE 엔진 상 (커널 발행) |
|
||||
|
||||
@@ -574,12 +656,14 @@ ADR들은 *efficiency / scale* enabler이지 GQA blocker가 아니다.
|
||||
- **composite를 통한 GEMM**(§1/§3) — Q·Kᵀ와 P·V를 각각 non-blocking
|
||||
`tl.composite(op="gemm")`로 발행; PE_SCHEDULER가 tiling하고 `tl.ref` K/V
|
||||
operand의 DMA를 스트리밍(기존 `CompositeCmd`; 새 커맨드 종류 없음).
|
||||
- root로의 tree reduction(§4)이 baseline all-to-all fan-out 대체 — `tl.send`/
|
||||
`tl.recv` 상의 순수 커널 제어 흐름.
|
||||
- **2-level reduce-to-root**(§4)가 baseline all-to-all fan-out 대체 — Level-2 PE
|
||||
tree(intra-CUBE) + Level-1 center-root CUBE-mesh reduce(intra-CUBE-Group,
|
||||
`lrab_hierarchical_allreduce` inter-CUBE 패턴을 reduce-only + log-sum-exp로 차용),
|
||||
data-driven·레벨 파이프라인, `tl.send`/`tl.recv` 상의 순수 커널 제어 흐름.
|
||||
- causal tile skip + additive boundary mask(§3/§5.4) — 커널 `if` + `+`로 더한
|
||||
mask 텐서.
|
||||
- round-robin KV placement / valid-length 산술(§2) — launch-arg 산술 +
|
||||
`DPPolicy(pe="row_wise")`.
|
||||
- 2-level round-robin KV placement / valid-length 산술(§0, §2) — launch-arg 산술 +
|
||||
`cube`와 `pe` 양쪽 `row_wise`인 `DPPolicy`.
|
||||
|
||||
**efficiency / scale을 위한 신규 primitive (각각 보조 ADR 있음):**
|
||||
|
||||
@@ -617,13 +701,16 @@ ADR들은 *efficiency / scale* enabler이지 GQA blocker가 아니다.
|
||||
1. **Composite tile-pipeline depth** — KV-load-bound에 지배적; 커널이 wait 전에
|
||||
non-blocking composite를 얼마나 앞서 발행하는지, 그리고 scheduler의 타일당
|
||||
스트리밍 depth.
|
||||
2. **reduction tree의 PE↔mesh-이웃 매핑** — 각 depth-`⌈log₂ N⌉` pair가 물리
|
||||
`N/S/E/W` 이웃인지 보장; 나쁜 매핑은 hop 추가. SFR install 대조 검증.
|
||||
2. **레벨별 reduction 토폴로지 (§4.4)** — Level-2(intra-CUBE PE)와 Level-1
|
||||
(intra-CUBE-Group CUBE-mesh) 각각 tree/ring/center-mesh 선택 가능; tree(latency,
|
||||
작은-`O` decode) vs ring(대역폭, 큰-`O` prefill) sweep. 그리고 CUBE-Group 크기
|
||||
`C` 노브(decode엔 작게, long context엔 크게). 각 tree pair가 1-hop 물리 이웃인지
|
||||
보장; SFR install 대조 검증.
|
||||
3. **TILE 크기** — scratch 상주(`S/P tile + O_acc + G-way GQA`)와 DMA 효율 균형;
|
||||
ADR-0063 및 scheduler의 `TILE_M/K/N`(`pe_scheduler.py`)과 상호작용.
|
||||
4. §5.5의 **Ring 버퍼 ping-pong vs `recv_async` depth**.
|
||||
5. **decode의 one-shot vs tiled 교차점**(§5.2) — tiling이 단일 composite를 이기는
|
||||
`S_pe` 임계값.
|
||||
`S_rank` 임계값.
|
||||
6. **per-op CPU 발행 비용 (cost model)** — 현재 `dispatch_cycles=0`(`pe_cpu.py`)이라
|
||||
composite-vs-primitive 발행 오버헤드가 보이지 않음. op 종류별 차등 발행 비용
|
||||
(`tl.composite` descriptor push ≫ primitive op)이 하이브리드의 CPU-saturation
|
||||
@@ -635,19 +722,19 @@ ADR들은 *efficiency / scale* enabler이지 GQA blocker가 아니다.
|
||||
|
||||
| Case | KV placement | Inner loop | Reduction | Masking |
|
||||
|---|---|---|---|---|
|
||||
| Decode, no SP | 1 PE, all KV | one-shot or tiled, GQA-batched | none | last tile only |
|
||||
| Decode, SP | round-robin `N` PEs | tiled, GQA-batched | §4 tree (`⌈log₂ N⌉`) | last tile only |
|
||||
| Decode, no SP | 1 rank (`C=P=1`), all KV | one-shot or tiled, GQA-batched | none | last tile only |
|
||||
| Decode, SP | 2-level RR over `C·P` ranks | tiled, GQA-batched | §4 2-level (`⌈log₂P⌉`+mesh over `C`) | last tile only |
|
||||
| Prefill, no SP | resident | tiled per q-block | none | skip future / triangular boundary |
|
||||
| Prefill, SP (Ring) | ring-sharded | per ring step (recv_async overlap) | running state + §4 tree | causal step-skip + boundary |
|
||||
| Prefill, SP (Ring) | ring over `C·P` ranks | per ring step (recv_async overlap) | running state + §4 2-level | causal step-skip + boundary |
|
||||
|
||||
**Case별 I/O** (전체 계약 §0.5):
|
||||
|
||||
| Case | Inputs | Output | IPCQ partials |
|
||||
|---|---|---|---|
|
||||
| Decode, no SP | `Q[G,1,d]`, full `K/V[S,d]` on 1 PE | `O[G,1,d]` at `O_base` | none |
|
||||
| Decode, SP | `Q[G,1,d]`, per-PE `K/V[S_pe,d]` | `O[G,1,d]` (root) | `(m,ℓ,O_i)` per PE → tree |
|
||||
| Decode, no SP | `Q[G,1,d]`, full `K/V[S,d]` on 1 rank | `O[G,1,d]` at `O_base` | none |
|
||||
| Decode, SP | `Q[G,1,d]`, per-rank `K/V[S/(C·P),d]` | `O[G,1,d]` (Group root) | `(m,ℓ,O_i)` per rank → 2-level |
|
||||
| Prefill, no SP | `Q[G,T_q,d]`, `K/V[≤end,d]` | `O[G,T_q,d]` at `O_base` | none |
|
||||
| Prefill, SP (Ring) | `Q[G,T_q,d]`, ring-delivered `K/V` blocks | `O[G,T_q,d]` (root) | running `(m,ℓ,O)` + tree |
|
||||
| Prefill, SP (Ring) | `Q[G,T_q,d]`, ring-delivered `K/V` blocks | `O[G,T_q,d]` (Group root) | running `(m,ℓ,O)` + 2-level |
|
||||
|
||||
모든 case에서: KV-cache write와 RoPE는 **upstream**에서; output projection은
|
||||
**downstream**에서; score `S`와 prob `P`는 미생성.
|
||||
@@ -673,8 +760,11 @@ exercise하려 존재하고, `tl.trans`는 reshape-not-transpose이며, `bf16`
|
||||
2. **GQA 재사용:** `h_q = G·h_kv`에서 K/V `dma_read_count`가 `G`와 무관(타일당 한
|
||||
load, group에 걸쳐 재사용), 반면 GEMM 작업은 `G`로 스케일. 레버가 실제 발동함을
|
||||
assert.
|
||||
3. **tree reduction 단계 수:** decode-SP가 `⌈log₂ N⌉` reduction 라운드(`N−1`이
|
||||
아님)를 발행; op_log `ipcq_send`/`recv` 수가 tree와 일치.
|
||||
3. **2-level reduction 단계 수:** decode-SP가 `⌈log₂ P⌉`(Level-2, intra-CUBE) +
|
||||
`C`에-대한-center-mesh-depth(Level-1) reduction 라운드를 발행 — baseline의
|
||||
`C·P − 1` all-to-all이 아님; op_log `ipcq_send`/`recv` 수가 정적 2-level
|
||||
tree/mesh와 일치하고, 결과가 정확히 한 rank(CUBE-Group root)에 안착. 별도 assert가
|
||||
Level-1 send는 CUBE NOC, Level-2는 PE IPCQ를 쓰는지 확인.
|
||||
4. **Causal skip:** prefill이 모든 `tile_all_future` tile을 skip — GEMM 수가 full
|
||||
grid가 아니라 하삼각 tile 수와 일치.
|
||||
5. **Long context (ADR-0063):** scope 없이 1 MiB를 넘기는 `S` sweep이 완료하고
|
||||
@@ -705,10 +795,10 @@ exercise하려 존재하고, `tl.trans`는 reshape-not-transpose이며, `bf16`
|
||||
권위 있는 기록이다. **권고:** 구현 시작 전 후속으로 DDD 동기화.
|
||||
|
||||
2. **composite GEMM의 K operand 방향.** Q·Kᵀ는 `b = [d, TILE]`가 필요하나 KV
|
||||
cache는 K를 `[S_pe, d]`로 저장한다. `tl.trans`는 메타데이터 전용이고
|
||||
cache는 K를 `[S_rank, d]`로 저장한다. `tl.trans`는 메타데이터 전용이고
|
||||
`MemoryStore.read`는 transpose가 아니라 reshape(`memory_store.py:73`) — 비자명
|
||||
데이터엔 런타임 transpose가 틀리다. **권고:** cache에 K를 **사전 transpose**
|
||||
`[d, S_pe]`로 저장(pseudocode와 §3이 이를 가정)하여 `tl.ref(k_tile, (d, TILE))`이
|
||||
`[d, S_rank]`로 저장(pseudocode와 §3이 이를 가정)하여 `tl.ref(k_tile, (d, TILE))`이
|
||||
연속 slice가 되게. upstream `qkv_rope` write 레이아웃이 이를 지원하는지 검증,
|
||||
아니면 실제 `tl.transpose` 추가(더 무거움; 연기).
|
||||
|
||||
@@ -745,3 +835,33 @@ exercise하려 존재하고, `tl.trans`는 reshape-not-transpose이며, `bf16`
|
||||
fold를 기술한다. 일관성을 위해 ring의 per-step Q·Kᵀ / P·V도 composite여야 하고;
|
||||
IPCQ `recv_async` 오버랩은 직교하며 유지. **권고:** 구현 중 ring step에 같은
|
||||
하이브리드 형태 적용; 낮은 리스크, §3 미러.
|
||||
|
||||
### 계층적 CUBE-Group SP 전환에서 나온 항목 (이번 개정)
|
||||
|
||||
1. **full scale엔 4-SIP 토폴로지 config 필요.** 출하된 `topology.yaml`은
|
||||
`sips: count: 2`; `C=8`의 full `H_kv=8` 모델은 **4 SIP**(각 2 KV head, §0) 필요.
|
||||
**권고:** headline eval용 4-SIP 토폴로지 config(SIP당 16-CUBE 4×4 mesh, 8 PE/CUBE
|
||||
— 이미 per-SIP 형태) 추가; validation-스케일 실행은 더 적은 CUBE/SIP 사용 가능.
|
||||
벤치는 launch당 single-device(한 SIP) 유지해야 함.
|
||||
|
||||
2. **`head_of_cube` / 4×4 mesh의 CUBE-Group 분할.** `C=8`이면 각 SIP의 16-CUBE
|
||||
mesh가 8짜리 CUBE Group 2개로 분할. 정확한 sub-mesh 형태(4×2 vs 2×4)가 Level-1
|
||||
center-root mesh hop 수와 어느 CUBE가 1-hop 이웃인지를 정한다. **권고:** 각 CUBE
|
||||
Group이 진짜 center CUBE를 갖는 연속 직사각 sub-mesh가 되도록 분할 선택(그래야
|
||||
`lrab` 식 center-root 적용); CUBE NOC 라우팅(ADR-0017) 대조 검증.
|
||||
|
||||
3. **operating-point별 노브로서의 `C`.** `C`는 case별로 달라야 함(reduction 지배인
|
||||
decode엔 작게, long-context prefill엔 크게). **권고:** `C`(및 레벨별 토폴로지,
|
||||
§4.4)를 launch/bench config로 노출, milestone 벤치에서 sweep하고 decode-vs-prefill
|
||||
최적값을 보고. 기본 `C`는 측정으로 TBD.
|
||||
|
||||
4. **§0 "never spans CUBEs" non-goal을 뒤집음 — 의존하는 downstream 가정이 없는지
|
||||
확인.** 이전 텍스트와 어쩌면 다른 ADR이 intra-CUBE-only reduction을 invariant로
|
||||
취급. **권고:** 구현 전 그 가정(SFR install, address policy, diagram)을 grep;
|
||||
이 커널 범위에선 발견 안 됨, 단 `configure_sfr_*` 이웃 wiring이 Level-1용 CUBE-NOC
|
||||
`N/S/E/W`를 PE IPCQ뿐 아니라 노출해야 함.
|
||||
|
||||
5. **`valid_len_2level` / 계층적 round-robin 정확성.** 두-축 `(cube_local·P +
|
||||
pe_local)` 배치(§2.1)는 시퀀스를 gap/overlap 없이 타일링하고 각 rank의 로컬 버퍼를
|
||||
dense하게 유지해야 함. **권고:** 커널 전에 index 산술을 unit-test(모든 global
|
||||
token이 정확히 한 rank에 매핑; per-rank slice 연속).
|
||||
|
||||
Reference in New Issue
Block a user