hakorune/docs/development/roadmap/phases/phase-50/gpu-box-spec.md

GPU Box 技術仕様（案）

🔧 技術的詳細

GPU Box の要件

1. 純粋性

   • 副作用を持たない
   • 外部状態に依存しない
   • 決定的な実行結果

2. 型制約

   • GPU互換型のみ使用可能
   • ポインタ/参照の制限
   • 再帰呼び出し禁止

3. メモリモデル

   // GPU メモリレイアウト
   gpu box ParticleArray {
       // Structure of Arrays (SoA) で自動配置
       positions: GPUBuffer<Float3>
       velocities: GPUBuffer<Float3>
       masses: GPUBuffer<Float>
   }
   

MIR → GPU IR 変換

// Nyash MIR
BoxCall { 
    box_val: %particles,
    method: "update",
    args: [%deltaTime]
}

// ↓ 変換

// GPU IR（擬似コード）
kernel particle_update {
    params: [particles_ptr, deltaTime]
    threads: particles.count
    
    thread_body: {
        idx = thread_id()
        pos = load(particles.positions[idx])
        vel = load(particles.velocities[idx]) 
        new_pos = pos + vel * deltaTime
        store(particles.positions[idx], new_pos)
    }
}

バックエンド対応

1. CUDA (NVIDIA GPU)

   • PTX生成
   • cuBLAS/cuDNN統合

2. OpenCL (クロスプラットフォーム)

   • SPIR-V生成
   • 各種GPU対応

3. Vulkan Compute (モダンAPI)

   • SPIR-V生成
   • モバイルGPU対応

4. Metal (Apple GPU)

   • Metal Shading Language
   • Apple Silicon最適化

最適化技術

1. Box融合

   // これらの操作を1つのGPUカーネルに融合
   data.map(x => x * 2)
       .filter(x => x > 10)
       .reduce(+)
   

2. メモリ合体アクセス

   • Boxフィールドの最適配置
   • キャッシュ効率の最大化

3. 占有率最適化

   • スレッドブロックサイズ自動調整
   • レジスタ使用量の制御

エラー処理

gpu box SafeDiv {
    @gpu
    divide(a, b) {
        if b == 0 {
            // GPU例外はCPU側で処理
            gpu.raise(DivisionByZeroError)
        }
        return a / b
    }
}

🔍 課題と解決策

課題1: デバッグの困難さ

解決: GPU実行トレース機能

// デバッグモードでGPU実行を記録
local result = particles.gpuExecute("update", 0.016, debug: true)
print(result.trace)  // 各スレッドの実行履歴

課題2: CPU/GPU同期オーバーヘッド

解決: 非同期実行とパイプライン

// GPU実行を非同期化
local future = particles.gpuExecuteAsync("update", 0.016)
// CPU側で他の処理を継続
doOtherWork()
// 必要な時に結果を取得
local result = await future

課題3: メモリ制限

解決: ストリーミング処理

// 大規模データを分割処理
largeData.gpuStream(chunkSize: 1_000_000)
    .map(process)
    .collect()

🎓 学習曲線を下げる工夫

1. 自動GPU化

   • コンパイラが自動的にGPU実行可能性を判定
   • ヒント表示: 「このBoxはGPU実行可能です」

2. 段階的移行

   • 既存コードはCPUで動作保証
   • @gpuを追加するだけでGPU化

3. プロファイリング支援

   // GPU実行の効果を可視化
   local profile = Profiler.compare(
       cpu: => particles.update(0.016),
       gpu: => particles.gpuExecute("update", 0.016)
   )
   print(profile.speedup)  // "GPU: 156.3x faster"