Boj o mainstream: Radeon HD 4850 (Toxic) vs. GeForce 9800 GTX (+)

Čip RV770 a G92

RV770 je názov najnovšieho mainstream, alebo keď chceme, performacne čipu od AMD graphics product group. Jeho vývoj trval, ako som písal, 30mesiacov, čo je dva a pol roka. Možno vám meno šéfinžiniera projektu – Scott Hartog nič nehovorí. Napriek tomu to nie je žiaden nováčik v branži. Pracoval už pre Real3D, Intel a ešte samostatnú ATi. Skúsenosti a schopnosti preto rozhodne má. Netypické je ale, že na projekte „RV770“ pracovalo dokopy 6 tímov, ktoré boli roztrúsené po celom svete. Ich cieľom bolo narvrhnúť čip, ktorý je síce založený na R600/RV670, ale má odstránené ich nedostatky a oveľa vyššiu efektivitu. Na docielenie toho museli inžinieri postupne zmenšiť veľkosť jednotlivých logických blokov, bez toho, aby obemdzili ich funkčnosť. Vďaka tomu mohli zvýšiť počet jednotlivých jednotiek a logicky aj teoretický maximálny výkon. Zároveň ale mali na pamäti, aby dokázalo GPU lepšie využiť väčší počet výpočtových jednotiek.


Podobne ako RV670 aj RV770 je vyrábaný u TSMC v 55nm procese a má okolo 965 miliónov tranzistorov. Celková plocha jadra je 260mm^2, čo nám dáva ~ 16mm dĺžku jednotlivých strán. Naše vlastné meranie to potvrdzuje. Oproti RV670 sa teda veľkosť jadra zväčšila, nie ale o toľko, ako by sme mohli podľa počtu jednotiek očakávať. Pripomeniem ešte, že RV670 má 666 miliónov tranzistorov v ~ 193mm veľkom jadre. Oproti obrovi s názvom G200 je to menej ako polovička. V tomto prípade je ale podstatné porovnanie s priamou konkurenciou v mainstreame – G92. Tento 65nm čip so 754 miliónmi tranzistorov sa nachádza na viacerých kartách, počnúc GeForce 8800 GT až po 9800 GTX(+). Jeho veľkosť je okolo 324mm^2, zhruba 18mm na jednu stranu. G92b, ktorý predstavuje len die shrink G92 na 55nm, je logicky menší. Má identickú veľkosť ako RV770, zhruba 260mm^2 a rovnaký počet tranzistorov ako G92. G92b sa nachádza momentálne len na GeForce 9800 GTX+, žiaľ niektoré modely sú vybavené G92. Takto docielila nVidia vypredanie zvyškových zásob G92. Pri priamom porovnaní G92b a RV770 je nápadný hlavne rozdiel v počte tranzistorov. Nemožno to však prebrať 1:1, lebo nVidia počíta mierne inak tranzistory ako AMD/ATi.


Wafer s jadrami RV770 pod mikroskopom vyzerá nasledovne:


Keď zvýrazníme jednotlivé logické bloky, dostaneme niečo takéto:


Memory interface (pamäťové pripojenie) obopína veľkú časť čipu, ktorá je tvorená prevažne SIMD cores (shader core, riadiace jednotky, pamäte cache) a Texture Units (texturovacie jednotky), nachádzajúcich sa zhruba v strede.

Pozrime sa teraz na zjednodušenú schému jadra RV770, ktorá sa zdá byť podobná R600 a RV670. V skutočnosti sú tu ale veľké rozdiely.


Niektoré časti sa nedajú dobre rozoznať, lebo sú príliš malé. Preto sa na ne teraz pozrieme detailnejšie. Celkovo obsahuje jadro 10 SIMD cores ako ich označuje AMD/ATi alebo clusterov. Každý SIMD core obsahuje 16 stream processing jednotiek, ktoré predstavujú superskalárne bloky po 5 ALUs. Tieto poznáme už z R600 a oproti nim sa zmenili len mierne – „tlstá“ ALU dokáže naďalej oproti štyrom „chudším“ viac, napr. špeciálne funkcie (SFUs). Keď si to chceme vyjadriť číselne, tak podľa toho ako počítame, dostaneme buď 800 alebo 160 Vec5 aritmeticko-logických jednotiek. AMD/ATi ich označuje ako 800 SPs (stream processors). To je naozaj veľa ALUs. Presne 2,5x viac ako má RV670 alebo R600. V prípade Radeon HD 4850 predstavuje RV770 prvé GPU s aritmetickým výkonom 1 TFlops/s. Radeon HD 4870 dosahuje vďaka vyššej pracovej frekvencii až 1,2 TFlop/s. V oboch prípadoch je to viacej ako má G200 na grafickej karte GTX 280. Netrebe ale zabudnúť, že Flops/s sa nerovnajú Flops/s na inej architektúre. Priamo porovnávať sa tieto teoretické hodnoty preto nedajú.


AMD/ATi sa podarilo mierne rozšíriť funkčnosť ALUs a čo je najpodstatnejšie, zmenšiť plochu, ktorú zaberajú na jadre, bez toho, aby bol zmenený výrobný proces. Scott Hartog hovorí pri týchto jednotkách o 40% náraste výkonu na 1mm^2. Pôvodne bolo naplánované, že RV770 bude mať 8 clusterov. Po tom, ako dokončili inžinieri prácu na stream processors, sa ale zistilo, že by v návrhu zostalo voľné miesto. Pamäťové pripojenie, ktoré sa nachádza na okraju jadra určuje jeho potrebnú veľkosť a 8 clusterov by nevyplnilo všetok priestor. Bolo teda nutné pridať ďalšie dva SIMD cores, čim sa zvýšil počet ALUs na 800 a arimtetický výkon na 1 TFlops/s.


Väčšina nových schopností SPs je určená pre GP-GPU segment. Preto dostal každý SIMD core 16KB veľkú lokálnu zdielanú pamäť (local data shader), aby si mohol rýchlo zdielať dáta medzi jednotlivými threads. Podobnú 16KB pamäť integrovala aj nVidia do SMs v G200. Táto pamäť nie je dostupná programátorom cez Direct3D API, ale AMD/ATi ju môže využiť pre väčšie kernely custom AA filtrov alebo iný druh postprocessingu. RV770 má "novú" 16KB veľkú, globálne zdielanú pamäť (global data share), cez ktorú môžu SIMD core komunikovať s iným. Už hotové dáta si teda SIMD cores môžu medzi sebou zdielať, bez toho, aby musel iný SIMD core znovu to isté počítať.

Okrem toho bola štyrom „chudším“ SPs pridaná schopnosť, ktorú mala na RV670 len „tlstá“. Je ňou schopnosť vykonávať integer bit-shift operácie. Tie môžu pomôcť pri akcelerácii videa, enkódovaní a kompresii. Vývojoví tím pridal aj viaceré import a export schopnosti, aby boli umožnené „scatter“ (deliace) a „gather“ (zhromažďovacie) operácie s plnou rýchlosťou. Nemôžem nespomenúť ešte jednu zaujímavú schopnosť ALUs, ktorou je možnosť vytvárať tzv. „lightweight“ (ľahké) thready pre GP-GPU aplikácie. Thready pre grafické aplikácie mávajú veľa hodnôt spojených s ich pozíciou. Pri GP-GPU aplikáciách to ale nie je potrebné a preto bol RV770 optimalizovaný, aby dokázal takéto jednoduchšie thready rýchlo vytvoriť.

Zachovaná bola aj podpora double precision v ALUs, ktorá sa zatiaľ využíva jedine v GP-GPU aplikáciách. Platí to, čo som písal v článku o RV670 – celkový double precision výkon RV770 je rovný 1/5 maximálneho single precision aritmetického výkonu (1TFlops/s). Už Radeon HD 4850 je preto v tejto oblasti so svojimi 200GFlops/s výkonnejšia ako každé high-end CPU alebo GTX280, ktorá ponúka síce 78 GFlops/s DP aritmetický výkon, ale aj so (DP) špeciálnymi funkciami.

Väčšina týchto zmien neprinesie zvýšenie výkonu v grafických aplikáciách, ďalšia ale môže. Pred vydaním prvej Direct3D 10 generácie písala AMD/ATi a nVidia vývojárom hier, aby nepoužívali tak výrazne geometry shadery, keďže ich čipy nie sú ešte také výkonné v tejto oblasti a inžinieri majú zatiaľ len málo skúseností ako riešiť danú problematiku. Ďalšími generáciami sa to malo vylepšíť. AMD/ATi a nVidia preto pracovali na vylepšení geometry shader výkonu na ich čipoch. V G200 bola zvýšená výrazne veľkosť pamätí určených pre GS. AMD/ATi síce tvrdila, že ich GPU je v tomto ohľade lepšie na tom ako konkurencia, RV770 bol napriek tomu vylepšený pre situácie, keď geometry shader uschováva údaje na čipe. Oproti predchodcovi má RV770 aj mierne vylepšený teselátor, ktorý je teraz výkonnejší.

Texturovacie jednotky (modré bloky) sa stali súčasťou SIMD cores a nachádzajú sa na ich pravom konci. Obdobne je to aj v prípade G8x/G9x a G200 architektúry. Pridaním clusterov sa zvýši nielen aritmetický výkon (počet ALUs) ale aj počet TMUs, teda texturovací výkon. Vďaka tomu sa vždy zachová konštantný pomer ALUs:TEX = 4:1 (16 Vec5 ALUs má pridelené 4 texturovacie jednotky) Zaujímavé je, že RV770 má tento pomer rovnaký ako R600/RV670. Hartog zmienil až 70% nárast výkonu na 1mm^2 pre tieto jednotky. Dokopy má RV770 desať texturovacích jednotiek, schopné adresovať a bilineárne filtrovať 40 texels za takt. Oproti 16 texels za takt na RV670 je to výrazné navýšenie. Texturovacie jednotky RV770 sú ale jednoduchšie ako tie ktoré poznáme z RV670, lebo boli odstránené schopnosti, sub-jednotky, ktoré sa v praxi nevyužívali a zaberali jedine tranzistory. Napríklad schopnosť filtrovať FP-16 textúry v jednom takte bola odstránená, vďaka čomu sa ušetrilo množstvo tranzistorov. Znížený bol aj počet texture samplers z 20 na 16 v jednej texturovacej jednotke. Podobne ako čipy od nVidie, dokáže RV770 filtrovať textúry v FP-16 formáte len s polovičným výkonom. Teoretický texelfillrate pre FP-16 je preto pri rovnakej frekvencii len 1,25x vyšší ako na RV670. Tá ale nie je taká podstaná, keďže využíva len málo grafických aplikácií FP-16 filtráciu. Ako príklad uvediem Serious Sam 2 alebo 3DMark 2006. Napriek vyššej texelfillrate a lepším TMUs nebola kvalita anizotropného filtra zvýšená. Je naďalej na úrovni R600 a tým sa šetrí v priemere ~10% výkonu. Hlavne pri ostrých textúrach, ktoré majú tendenciu k shimmering-u, vidieť negatívny dopad do určitej miery „optimalizovaného“ AF.


Vrátim sa ale k architektúre. Aby bolo zaručené vysoké vyťaženie texturovacích jednotiek, bola prepracovaná celá texture cache. „Distributed unified cache“ v R600 nahradila L1/L2 hierarchická cachce. Každá L1 cache je pridružená k jednému SIMD core a uschováva pre neho dôležité údaje. L2 cahce je zase pridružená k jednotlivým pamäťovým radičom. Medzi sebou komunikujú cez známy Crossbar. Vertices majú svoju vlastnú „vertex cache“. Keďže má podobnú hierarchiu GeForce 8800, je vidieť, že AMD/ATi sa poučila od konkurencie.
RV770 má pridanú aj novú runtime, ktorá má oneskoriť alokáciu miesta v pamäti L1 cachce, pokiaľ nie je požiadavka na tieto dáta. Toto opatrenie má zvýšiť efektivitu využívania texture cache pamätí. Veľmi podstatná interná priepustnosť bola taktiež zdvojnásobená voči predchádzajúcej generácii. Hartog uviedol, že je to nutnosť, aby sa dal držať krok s množstvom dát, ktoré prichádzajú z GDDR 5 pamätí. L1 texture fetch má mať do 480GB/s a medzi jednotlivými L1 a L2 cache pamätami má byť priepustnosť do 384 GB/s.


Okrem pamätí cache boli uskutočnené aj ďalšie zmeny na pamäťovom subsystéme. Chválený RingBus od AMD/ATi je navždy preč. Nebol ale nahradený jednoduchým crossbarom, aj keď nové riešenie je tomu do určitej miery príbuzné. Štyri pamäťové radiče sú umiestnené relatívne v rohoch čipu a blízko nich sú časti s najväčšou potrebou priepustnosti – ROPs (render back-ends) a pamäte L2 cache. Údaje sú rozdelované pomocou tilingu, aby bol zabezpečený rýchly prísun dátom pre trojicu radič, L2 cache a lokálny pamäťový radič, nazývaný „Hub“ v ktorom sú pospájané. Ten dostáva dáta z klientov, ktoré nemajú také nároky na priepustnosť – PCI-Express, UVD2.0, CrossFireX a radiče obrazovky. Hub je svojou technológiou podobný RingBusu, predstavuje tiež distribuované riešenie, ale hlavne, má nižšiu latenciu. Celkovo hovorí AMD/ATi o 95% využití teoretickej priepustnosti, oproti RV670 to predstavuje 10% nárast.


CrossFireX sideport pripojenie, ktoré sa prvý krát objavilo na RV770 sa prakticky využíva až na R700, grafickej karte Radeon HD 4870 X2. Vďaka nej môžu dve tieto jadrá medzi sebou komunikovať a majú k dispozícii 5GB/s v oboch smeroch. Prvý čip ale nemôže naďalej využívať framebuffer druhého čipu. Viac sa budeme problematike venovať v prípadnom článku o Radeon HD 4870 X2.

Unified Video Decoder (UVD), ktorý môžme nájsť v RV670 a slúži k urýchleniu HD meteriálu v MPEG2, VC-1 a H.264 codec-u, bol v RV770 znovu prepracovaný. Kvôli tomu dostal nový názov – UVD 2.0 a podporuje teraz PiP (picture in picture) funkciu. Vymenený bol aj Realtek čip na PCB karty, vďaka čomu teraz dokáže vysielať osem kanálový zvuk v 24bit/192kHz formáte a podporuje Dolby TrueHD, Dolby Digital+, DTS HD. HDMI výstup bol taktiež prepracovaný, podporuje 1.3 štandard a vylepšená bola aj kvalita obrazu pri prehrávaní videa. GPU dokáže aplikovať na HD obraz dynamický kontrast, ktorý má zvýrazniť farby. Toto feature sa dá podľa želania v Catalyst Control Centre vypnúť.


PowerPlay, vďaka ktorému sa zníži spotreba GPU v 2D režíme, nemohol RV770 neprebrať. Je ale do určitej miery prerobené a teda lepšie. Na PCB sa nachádza špeciálny čip, ktorý monitoruje teplotu, vyťaženie GPU a tok dát cez PCI-Express zbernicu. Pokiaľ sú tieto hodnoty nízke, dokáže znížiť pracovnú frekvenciu a napätie jadra. Okrem toho sa zapne aj Clock-Gating. Efektivita PowerPlay sa mala predchodcovi v RV670 až zdvojnásobiť. Či je to realita, alebo nie si povieme v časti Hlučnosť, teploty, spotreba.


S týmito mnohými vylepšeniami a 256bit zbernicou by ale RV770 nebol schopný využiť svoj celý potenciál. Preto spolupracovala AMD spolu s DRAM výrobcami na vývoji nových, GDDR 5 pamäti, ktoré spolu s GDDR 3 a GDDR 4 pamäťový radič podporuje. GDDR 5 pamäte majú príkazovú frekvenciu len štvrtinovú oproti dátovej. To je dôvod prečo ukazujú programy na Radeon HD 4870 frekvenciu pamäte 900 MHz, dátová priepustnosť je ale 3600 MT/s. Výsledná priepustnosť grafickej karty je teda 115,2 GB/s, čo je viacej ako mala Radeon HD 2900 XT s 512bit zbernicou alebo ako má GeForce GTX 260 so 448bit zbernicou a GDDR 3 pamäťou. To ale len s najslabšími (3,6Gb/s) čipmi, AMD hovorí, že v blízkej budúcnosti budeme vidieť 5Gb/s GDDR 5 čipy a 6 Gb/s sú očakávané do konca roka. Nové slovné spojenie, ktoré sa bude v súvislosti s GDDR 5 pamäťami často používať je priepustnosť na 1 pin. Oproti predchádzajúcim verziám, majú GDDR 5 pamäte túto hodnotu výrazne zvýšenú.


Posledná výrazná zmena na RV770 oproti architektúre R600 sú prerobené ROPs alebo podľa AMD/ATi – render back-ends. Jeden z vývojových tímov mal za cieľ vylepšiť výkon čipu s anti-aliasingom a keďže je to jedna z prác RBEs, musel sa ich výkon výrazne vylepšiť. Celkovo má čipy štyri RBEs a každá jednotka je pripojená k 64bit pamäťovému pripojeniu. Dokopy nám to dáva 256bit zbernicu. Tieto parametre hovoria jasnou rečou – jedná sa o mainstream „value“ GPU. Oproti RV670 sa ROPs odlišujú v tom, že sú oveľa výkonnejšie. AMD/ATi prezentuje aj tabuľku, v ktorej porovnáva výkon ROPs RV670 a RV770. Oba čipy majú štyri takéto jednotky.



Vo väčšine prípadov sú ROPs RV770 dvakrát také výkonné ako tie, ktoré poznáme z RV670. Ak sa dostane FP-16 do hry, tak sú výkonnejšie vždy. S AA ale aj bez. Nie len to, RV770 dokáže 64 Z/stencil operácii za takt. Podľa Hartog-a je práve Z sample rate RV670 primárny dôvod jeho zlého výkonu s anti-aliasingom. To nie je všetko. Keď sme písali o architektúre R600, spomenuli sme, že shader resolve pre multisampling antialiasing je uskutočnený v shader-core a ROPs sú pravdepobone chybné v tomto ohľade. Využívala sa tzv. fastpath (rýchla cesta), ktorú má RV770 vo vynovenej forme tiež. Resolve uskutočnený v shader-core síce umožnil AMD/ATI poskytnúť custom AA filtre (Narrow-Tent, Wide-Tent a Edge-Detect), ale celkový prepad výkon R600 s AA bol príliš veľký. Preto sú vyššie uvedené čísla viac ako optimistické a čisto len teoretické maximá RV670. Skutočnosť bude pre Radeon HD 3800 ešte horšia. AMD/ATi ale potvrdila, že RV770 neuskutočňuje resolve v shader core pre štandardný MSAA. Pokiaľ teda bol nejaký problém s ROPs, tak bol teraz v RV770 odstránený. Ak sa použije custom filter AA mód, tak sa naďalej využíva shader core, ale pre box filtre (2x, 4x, 8x) sa už využívajú ROPs, tak ako v Radeon GPUs pred R600 a všetkých moderných GeForce čipoch.


Z predchádzajúcich odstavcov je jasné, že RV770 má oproti R600 a RV670 veľa zmien v architektúre. Malo by byť takisto jasné, že RV770 nie je len RV670 s väčším počtom výpočtových jednotiek. Je síce založený na R600/RV670, ale prebral od nich len tie dobré podnety a veľa nedostatkov bolo odstránených – hlavne čo sa týka fillratov. Pri porovnaní s konkurenciou možno povedať, že RV770 sa od R600 líši viac ako G200 od G80. Samozrejme, toto porovnanie nie je až také podstatné a úplne spravodlivé, keďže G200 ani nepotrebovala tak veľa zmien. V budúcnosti môžeme očakávať ďalšiu evolúciu RV770 s názvom RV870, ktorý by mal byť posledným čipom z „R600“ generácie. Neočakávam, že by priniesol také výrazné zmeny v architektúre ako dnes opisovaný čip. Zvýšený bude hlavne výkon, vďaka väčšiemu počtu výpočtových jednotiek, ktoré umožní nový 40nm proces.

G92(b) od nVidie, je starý známy čip, ktorý obsahuje osem G92 clusterov. Tieto clustery majú rovnaký počet TMUs, ALUs ako G94 clustery, ktorým sme sa venovali v recenzii: nVidia GeForce 9600GT (OC). Celkovo má preto čip 64 TMUs, 128 ALUs, 16 ROPs a 256bit zbernicu. Oproti G94 sa počet TMUs a ALUs zdvojnásobil, zbernica ale nie. Vo vysokých rozlíšeniach so zapnutým anti-aliasingom, preto môže byť priepustnosť limitujúcim faktorom. Vďaka menšiemu výrobnému procesu má G92b variant vyššie pracovné frekvencie ako G92.