Ekspektasi Besar: Tolok Ukur Kinerja Dunia Nyata RVV 1.0 di HPC

Ringkasan IMRAD studi arXiv 2026 yang mengevaluasi SiFive X280, SpacemiT X60/X100/A100, dan T-Head C920v2 terhadap NVIDIA Grace

Stepan Nassyr; Prateek Chawla; Daniel Seibel; Jayesh Badwaik; Kaveh Haghighi Mood; Andreas Herten· 2026· DOI 10.48550/arXiv.2608.28097

Masalah inti

Setelah ratifikasi RISC-V Vector Extension (RVV 1.0), silikon yang tersedia secara komersial mulai mengadopsi ekstensi tersebut, mendorong penilaian ulang kelayakan RISC-V untuk High-Performance Computing (HPC). Para penulis—Stepan Nassyr, Prateek Chawla, Daniel Seibel, Jayesh Badwaik, Kaveh Haghighi Mood, dan Andreas Herten—meninjau kembali pertanyaan ini dengan menilai perangkat keras terbaru yang mendukung RVV 1.0: SiFive X280 (Tenstorrent Blackhole), SpacemiT X60 (K1), SpacemiT X100/A100 (K3), dan T-Head C920v2 (Sophon SG2044). Studi ini memposisikan platform-platform tersebut terhadap chip HPC ARM64 mutakhir, NVIDIA Grace, untuk mengukur kinerja dunia nyata dan mengidentifikasi hambatan yang tersisa bagi adopsi RISC-V di HPC. Hipotesis utamanya adalah bahwa meskipun RVV 1.0 memberikan peningkatan substansial dibanding eksekusi skalar, tantangan implementasi spesifik perangkat keras masih membatasi daya saingnya.

Temuan menunjukkan bahwa RVV 1.0 memberikan peningkatan kinerja signifikan dibanding eksekusi skalar di semua platform yang diuji. Namun, besaran keuntungan ini sangat bervariasi tergantung implementasi perangkat keras. Misalnya, SiFive X280 (Tenstorrent Blackhole) dan SpacemiT X60 (K1) menunjukkan percepatan vektorisasi yang mencolok pada BLAS dan FFTW, sementara SpacemiT X100/A100 (K3) dan T-Head C920v2 (Sophon SG2044) memperlihatkan profil kinerja yang berbeda. Pada beban kerja sintetis, hasil STREAM menunjukkan keterbatasan bandwidth memori pada beberapa platform, dan pengujian throughput FMA mengungkap disparitas dalam pemanfaatan unit vektor. Dibandingkan NVIDIA Grace, platform RVV 1.0 umumnya tertinggal dalam kinerja absolut, tetapi keuntungan relatif dari vektorisasi cukup besar. Tolok ukur HPL dan HPCG lebih lanjut menyoroti tantangan dalam kinerja berkelanjutan dan skalabilitas. Secara keseluruhan, hasilnya menegaskan bahwa RVV 1.0 adalah langkah maju, namun tantangan implementasi spesifik perangkat keras—seperti panjang vektor, desain subsistem memori, dan dukungan kompilator—tetap menjadi hambatan signifikan.

Setelah ratifikasi RISC-V Vector Extension (RVV 1.0), silikon yang tersedia secara komersial mulai mengadopsi ekstensi tersebut, mendorong penilaian ulang kelayakan RISC-V untuk High-Performance Computing (HPC). Para penulis—Stepan Nassyr, Prateek Chawla, Daniel Seibel, Jayesh Badwaik, Kaveh Haghighi Mood, dan Andreas Herten—meninjau kembali pertanyaan ini dengan menilai perangkat keras terbaru yang mendukung RVV 1.0: SiFive X280 (Tenstorrent Blackhole), SpacemiT X60 (K1), SpacemiT X100/A100 (K3), dan T-Head C920v2 (Sophon SG2044). Studi ini memposisikan platform-platform tersebut terhadap chip HPC ARM64 mutakhir, NVIDIA Grace, untuk mengukur kinerja dunia nyata dan mengidentifikasi hambatan yang tersisa bagi adopsi RISC-V di HPC. Hipotesis utamanya adalah bahwa meskipun RVV 1.0 memberikan peningkatan substansial dibanding eksekusi skalar, tantangan implementasi spesifik perangkat keras masih membatasi daya saingnya.

Para penulis menerapkan strategi tolok ukur ganda: tolok ukur HPC standar dan beban kerja sintetis. Tolok ukur HPC standar meliputi BLAS (Basic Linear Algebra Subprograms), FFTW (Fastest Fourier Transform in the West), HPL (High-Performance Linpack), dan HPCG (High-Performance Conjugate Gradient). Beban kerja sintetis terdiri atas STREAM (bandwidth memori) dan pengujian throughput FMA (fused multiply-add). Semuanya dijalankan pada empat platform RVV 1.0 dan dibandingkan dengan NVIDIA Grace. Evaluasi berfokus pada pengukuran keuntungan vektorisasi dibanding eksekusi skalar dan identifikasi hambatan kinerja. Metodologi ini dirancang untuk menangkap karakteristik intensif komputasi sekaligus terikat memori, memberikan gambaran holistik kemampuan setiap platform. Tolok ukur dipilih untuk mencerminkan beban kerja HPC tipikal, memastikan relevansinya dengan aplikasi dunia nyata. Perbandingan dengan NVIDIA Grace menetapkan garis dasar kinerja ARM64 mutakhir, menyoroti kesenjangan yang harus ditutup RISC-V.

Para penulis menganalisis karakteristik kinerja dan membahas hambatan yang tersisa bagi RISC-V, termasuk RVV, untuk menjadi tulang punggung di lanskap HPC. Tantangan utama meliputi variabilitas dukungan panjang vektor, inefisiensi hierarki memori, dan ekosistem perangkat lunak yang belum matang. Studi ini mencatat bahwa meskipun RVV 1.0 menyediakan fondasi ISA yang kokoh, kinerja aktual sangat dipengaruhi oleh pilihan mikroarsitektur. Misalnya, platform dengan unit vektor lebih lebar dan bandwidth memori lebih baik cenderung berkinerja lebih dekat ke rekan ARM64. Pembahasan juga menekankan perlunya kompilator dan pustaka yang dioptimalkan untuk sepenuhnya memanfaatkan kemampuan RVV 1.0. Perbandingan dengan NVIDIA Grace menggarisbawahi pentingnya desain sistem holistik, bukan sekadar fitur ISA. Para penulis menyimpulkan bahwa RISC-V telah membuat kemajuan mengesankan, tetapi mencapai paritas dengan arsitektur HPC mapan memerlukan investasi berkelanjutan pada perangkat keras dan perangkat lunak. Makalah ini berfungsi sebagai tolok ukur kinerja RVV 1.0 saat ini dan peta jalan untuk perbaikan di masa depan.

Praktisi dan peneliti ilmu komputer

Membuka konten member…