gpu

Пишешь GPU-код на Java (подмножество, не произвольный код) — библиотека преобразует его в корректный код под видеокарту и запускает.

Статус: M0–M13 реализованы; M14 — подготовка документации и alpha. Текущая версия сборки — 0.2.0-SNAPSHOT; доступна локальная Maven-публикация. Внешняя площадка и координаты alpha ещё не утверждены. Прежняя реализация (JavaToGpu 0.1.0-alpha.5) сохранена в git-теге legacy-alpha5. Архитектура, принятые решения и план — в REWORK_ARCHITECTURE.md. Исходный концепт языка — в OldCodeConcept.

Руководство пользователя · Самостоятельный пример подключения. Результаты проверки подготовки alpha.

Модули

Модуль	Роль
api	аннотации, типы (vec/ptr/struct), builtins Gpu.*
ir	плоский IR (SoA), типы, бинарная сериализация, валидатор
ir-interpreter	эталонный CPU-интерпретатор IR
ir-optimizer	оптимизатор IR: мёртвый код, математика, CSE/LICM под бюджетом регистров, оценка давления, разбиение ядер
codegen-opencl	IR → OpenCL C
runtime	GpuContext, устройства (FFM), GpuBuffer, кэш, запуск, JVM-fallback
frontend-java	annotation processor (javac Tree API) → IR
weaver	подмена тела @Kernel-метода (ASM)
gradle-plugin	Gradle-обёртка над weaver
test-support	JUnit-библиотека (GpuAssert, @GPUTest)
tools	дампы IR, отчёты
app	тестовое приложение, примеры ядер и интеграционные тесты

Допустимые зависимости между модулями задаёт build.gradle; задача verifyModuleBoundaries (входит в check) проверяет граф и запрещённые импорты.

Быстрый старт

Для проверки без внешней публикации выполните ./gradlew publishLocal: библиотеки и marker Gradle-плагина появятся в build/local-maven. Подключение обоих Maven-репозиториев (для плагина и библиотек) показано в самостоятельном примере. Сам Gradle потребителя должен работать на JDK 25.

plugins {
    id 'io.github.deussixik.javatogpu' version '0.2.0-SNAPSHOT'
}

Плагин подключает библиотеки и annotation processor, подменяет тела @Kernel-методов после компиляции и выдаёт задачам test/run --enable-native-access=ALL-UNNAMED. После этого ядро вызывается обычным вызовом Java-метода:

public class Sine {
    @Kernel
    @WorkGroup(x = 256, y = 1, z = 1)
    public static void computeSine(@Global float[] input, @Global float[] output) {
        int id = Gpu.getGlobalId(0);
        output[id] = Gpu.sin(input[id]) + 2.0f;
    }
}

Sine.computeSine(input, output);   // OpenCL-устройство, а если его нет или драйвер отверг ядро - JVM

Размер запуска по умолчанию — длина первого массива; другой задаётся блоком try (var s = JavaToGpu.launch(LaunchConfig.of2D(w, h))) { ... }, свой контекст — JavaToGpu.use(ctx). В примере с @WorkGroup(x = 256) длина запуска должна быть кратна 256. Подробности — REWORK_ARCHITECTURE.md, разделы 3.4–3.8 и 5.19.

Сборка

Нужен JDK 25. Сборку самого репозитория можно запускать Gradle на 21+ с установленным JDK 25 для toolchain. При подключении опубликованного Gradle-плагина JVM Gradle тоже должна быть 25+: плагин и weaver загружаются в неё.

./gradlew build

Тестовое приложение

Модуль app использует библиотеки из этой сборки; публикация в Maven не требуется. Ядра лежат в app/src/main/java/com/sixik/gpu/app/Kernels.java, точка входа — Main.java. При сборке annotation processor создаёт IR, а weaver подменяет тела @Kernel-методов.

.\gradlew.bat :app:run                       # экспериментальные ядра на 1024 элементах и проверка vectorAdd
.\gradlew.bat :app:run --args="65536"        # свой размер массивов
.\gradlew.bat :app:test                      # тесты без OpenCL-драйвера
.\gradlew.bat :app:deviceTest                # сверка JVM / IR / OpenCL, без устройства пропуск
.\gradlew.bat :app:installDist               # приложение со скриптами запуска и зависимостями

На Linux/macOS используйте ./gradlew. Готовые скрипты находятся в app/build/install/app/bin. Для готовых скриптов нужен JDK 25 в JAVA_HOME или PATH; задача :app:run выбирает его через toolchain. При запуске приложение выводит выбранное устройство, факт выполнения ядра на нём либо причину перехода на JVM. Если подходящего OpenCL-устройства нет, пример выполняется на JVM. Main всегда включает дамп сгенерированных OpenCL-ядер в build/opencl относительно рабочего каталога: при запуске через :app:run это app/build/opencl/*.cl.

JMH-сценарии CPU/GPU для многослойного 3D-шума и игрового цикла с видимостью 32 чанка и высотой 360 блоков: описание и команды, результаты измерений.

Для дампа OpenCL из JMH добавьте -PdumpOpencl:

.\gradlew.bat :app:jmh -PdumpOpencl '-PjmhArgs=TerrainBatchBenchmarks -p backend=GPU_PREPARED -p sampling=COARSE -p chunksPerCall=1'

Исходники сохраняются в app/build/opencl/jmh/<ядро>-<хэш>.cl. Свой каталог: '-PdumpOpencl=app/build/my-opencl' (путь относительно корня проекта). Отключение: -PdumpOpencl=off. Также поддерживаются -Djavatogpu.dump=<каталог> и переменная окружения JAVATOGPU_DUMP; -PdumpOpencl имеет приоритет. Настройка передаётся fork-процессам JMH; запись выполняется в @Setup, вне измерений.