本文翻译自: https://www.anandtech.com/show/14385/arm-announces-malig77-gpu
温馨提示：由于译者能力有限，所以读者最好参看原文。当然也可以看完译文再看原文，也许有所帮助。
Arm在2019年5月推出了最新的Valhall架构，一起发布的还有最新的GPU：Mali-G77。距离上一代Bifrost架构的发布，已经过去了三年。
Mali-G77之前的Mali-G76对Execution Engine做了重大改变，而Mali-G77继续对其进行了大幅改动。
Bifrost回顾
众所周知，过去几年Arm的GPU IP供应并不是很好。
Bifrost是Arm2016年推出的GPU架构，一起推出的GPU是Mali-G71。
Bifrost是Arm的第一款标量架构的GPU（scalar GPU architecture），而之前的Midgard采用的是向量指令设计（vector instruction design）。这种改变是根本性的改变，类似于AMD推出GCN架构、NVIDIA推出Tesla架构。
不幸的是，Bifrost的前两款GPU，Mali-G71和Mali-G72的表现并不好。HiSilicon和Samsung作为排名前二的IP购买者，集成了这两款GPU的SOC之后，表现令人失望。麒麟960和970的表现尤其差，这对华为荣耀的产品计划和市场也产生了一定的影响。
Bifrost的最后一代GPU（Mali-G76）是一次重大的改变，因为它解决了前代的很多严重的问题。这在Exynos 9820和麒麟980上都有所体现。
在Bifrost忙着修正GPU的问题时，竞争对手们也没闲着。高通的Adreno GPU已然称霸移动GPU市场好几年，尽管今年推出的Adreno 640没有什么令人印象深刻的提升，但其各方面仍然碾压Arm的GPU。更值得一提的是，苹果集成在A12中的GPU性能已经超过高通最好的GPU，更别提Arm的了。
Valhall的主要改进
Valhall，来自古老的挪威语：Valhöll，也就是Valhalla，北欧神话中死亡之神奥丁款待阵亡将士英灵的殿堂。
Valhall推出了新的指令集架构（ISA）和计算核（compute core）以解决之前Bifrost架构的缺陷。
Valhall架构的第一款GPU是Mali-G77，它的很多改进我们将在后文中逐一介绍。
Mali-G77（Valhall）相较于Mali-G76（Bifrost）能耗效率提升了30%;性能密度提升了30%;机器学习的性能提升了60%.
Valhall：新的指令集架构
Valhall架构的核心是执行核（execution core），与之前Bifrost的执行核相比，Valhall做出了重大的改变。相同的是Valhall还是标量设计，不同的是Bifrost的执行核是4线程或者8线程的设计（narrow 4 and 8-wide design），而Valhall采用了类似于桌面级GPU的设计，具体在下面介绍。
在Bifrost的第一代GPU中(Mali-G71、Mali-G72)执行单元由一个四线程宽的标量SIMD单元（a 4-wide scalar SIMD units）组成，Warp/Wavefront的大小也是四。在G76中，变成了两个四线程宽的标量SIMD单元，而Warp/Wavefront的大小也提升到了八。
Bifrost设计中采用这种四线程大小的Warp和四线程宽度的SIMD单元的出发点是减少ALU空闲的时钟数。这样做使得后面的任务无法及时填充更多的线程，从而warp中线程的数量也提不上去。这样做的好处是，提升了ALU的利用率，虽然是以更多的控制逻辑为代价。
但是随着时间的推移，计算任务（wrokload）不断增加，Arm的这种实现方式不太管用了。如今的很多游戏，其计算量不断增加，尤其是近两年，原先在PC上的游戏都能在手机上看到了。
随着着色程序计算复杂度的不断提升，给Warp设置更多的执行线程也变得更加合理。对于Valhall而言，16个线程为一个Warp，这虽然比不上NVIDIA的32个线程，亦或者是AMD的64个线程，但与Arm自己之前的4个线程已经提升了许多了。
Valhall也改变了ISA。简化了很多指令。当前没有这方面的详细资料，但是可以知道的是，新的ISA对编译器更加友好，而且与Vulkan的契合度更高。
Valhall之前的Bifrost和Midgard的一个核里面包含三个执行引擎（Execution Engine）。每个执行引擎都有独立的datapath控制逻辑、调度逻辑、指令Cache、寄存器文件和消息处理模块，这些自然就产生了很多重复的芯片逻辑。而且执行引擎的数量是不可配置的。
Valhall将之前的三个执行引擎合并成了一个大的，共享控制逻辑。然而，新的执行引擎仍然有重复的部分：ALU的流水线分成了两个簇（cluster），每一个簇由十六线程宽的FMA单元以及其他执行单元组成。
与Bifrost的指令集相比，Valhall的新的指令集更加规整，摒弃了Clause、Tuple以及fixed issue scheduling（不知道怎么翻译）。
Bifrost中，指令调度交给了编译器来做，编译器将指令组织成Clause的结构，这中做法挺有成效，因为有效降低了延时和优化了数据访问，但这给编译器增加了不少的负担。
Valhall中，指令调度完全由硬件完成。通常乱序执行的CPU都是这么做的。这种方式也使得ISA更加独立于GPU执行核的微架构实现，这是更具前瞻性的一种选择。
新的指令集还重点优化了纹理相关的指令。这与新的架构很大程度提升了纹理处理能力是相关联的。
其他的变化包含改进已有的技术、数据组织方式，比如几何处理流程、AFBC（Arm frame-buffer compression）等。
我们进一步来看Valhall的Execution Engine，它可以分为四个部分：
- 前端（Frontend）。包含warp调度和指令缓存
- 两个完全相同的data path cluster，成为处理单元（Processing unit）
- 消息处理模块。与Load/Store等其他固定功能模块连接
前端最多支持64个Warp，也就是1024个线程。每个处理单元有三个ALU：FMA、CVT（Convert）单元和SFU。FMA和CVT都是十六线程宽的处理，而SFU是四线程宽的处理。
前端负责创建和销毁（retire）Warp、维护执行过程中的一些状态。前端中的调度器负责决定那个Warp中的哪条指令可以执行。
前端的指令缓存是共享的。它是四路组相连的结构，共16KB大小，可以存放2048条指令。一个时钟可以发射四条指令。
处理单元(Processing Unit)有4个取指模块，每个取指令模块都绑定了一个寄存器文件以及一个前向缓存（Forward Buffer）。前向缓存用来减少访问寄存器文件的延迟。
FMA（Fused Multi-Add）单元每个时钟可以处理16个单精度的乘加操作、32个半精度、64个八位的点乘操作（dot-product）。
CVT（Convert）单元负责基本的整型操作、数据类型的转换、分支处理（serves as the branch port）。
SFU（Special Function Unit）采用四线程宽度而非16线程宽的的原因是，它处理的指令很少被用到，不需要很大的数据吞吐率。
Mali-G77和Mali-G76的执行引擎相比，把三个归并成了一个。这个大的引擎增加了主要数据通路的数量，减少了控制逻辑和指令缓存的数量，提升了芯片面积的利用率。
ALU的数据通路（datapath）由原先的八时钟深度变为四时钟深度，提升了性能。
总的来说，新的核的发射类似于超标量。这也是为什么编译器会简单很多的原因之一，编译器不再需要去找可以并行发射的指令。
Mali-G77的微架构
前面提到执行引擎（Execution Engine）负责算术运算，而执行引擎只是执行核（Shader Core）的一小部分。执行核的设计整体来说和之前的保持一致，但是有几个地方仍然做了重要改变。
执行核仍然由以下部分组成：
- Execution Engine，执行引擎
- Load/Store单元，里面包含了Cache
- Attribute Unit，属性单元
- Varying Unit，插值单元
- Texture Mapping Unit，纹理映射单元
- Pixel Backend，像素后端处理，由一些固定功能的3D处理硬件单元组成
最大的改变是纹理单元。G76已经将吞吐量提升了一倍，G77在G76的基础上又提升了一倍。
站在整体功能的角度来看，新的TMU（Texture Mapping Unit）似乎并未改变多少，但站在吞吐量的变化的角度来看，改变其实是很大的。
TMU的设计围绕着纹理缓存的命中和失靶两种情况。命中情况下的时延是经过优化的，会比较短。
纹理Cache大小是32KB，吞吐量为每个时钟16个纹素。纹理过滤也进行了改进，对于双线性过滤每个时钟可以处理4个纹素，对于三线性过滤每个时钟可以处理两个纹素。这都是G76的两倍。
在性能提升了两倍的前提下，TMU所占芯片的面积还和之前的基本保持一致，这也是很难得的。
与之前的性能提升思路不同，Valhall并不仅仅专注于提升ALU的计算能力，而是在纹理单元的性能提升上下足了功夫，这也与在渲染中越来越多的纹理任务相契合。
需要注意的是，虽然纹理过滤的吞吐能力翻番了，但是像素后端的吞吐能力并未改变。一个执行核（Shader Core）每个时钟可以输出两个像素，而每个时钟一个执行核可以输出4个纹素，也就是纹素和像素的比值为2：1。在之前的设计中这个比值为1：1
Load/Store中的Cache也做了改变，提升了吞吐量。在相同面积的情况下，pipeline的阶段数减少了一半，减少了核的操作延迟。带宽提升到了一个Cacheline的宽度，是之前架构的两倍。
Load/Store中的Cache大小为16KB，四路组相连的结构。据说对处理机器学习相关的任务很有用。
可以看到，Arm的Shader Core的个数是可配置的，配置的范围是1到32个。但G77目前只支持最多配置16个。Arm目前提供的IP（RTL ready）中最少的核的个数是7个。
L2 Cache的数量也是可配置的，最多可配置四个，每个的大小也是可配置的，最小256KB，最大1MB。大多数的供应商将其L2 Cache配置为2MB，目前应该没有配置为4MB的。
L2 Cache与Load/Store之间的数据带宽从每时钟32B提升到了64B（一个Cacheline的大小）。而L2 Cache和AXI接口之间的数据带宽取决于供应商将其实现为128比特宽度还是256比特宽度。
Performance Targets: 30% Better PPC and Efficiency
从资料上看，Valhall架构确实改进了许多，但我们更应关注的是性能、效率和面积上的数据。
比较有趣的是，Arm发布的性能数据的单位是每平方毫米的性能提升。这是因为Arm的GPU IP是可配置的，不同配置的GPU的性能无法对比。
G77与G76相比，每平方毫米的性能提升为1.2到1.4倍。G77与G76的Shader Core的大小基本一样。
Arm特别声明了G77对于纹理操作较多的场景渲染表现地非常好，所以特别期待基于该GPU IP的设备的实际表现会怎样。
另一种提升GPU性能的方法是提高它的时钟频率。将GPU芯片封装到智能手机中之后，对功耗的最基本的要求是4-5W。据说，G77在完成同样的工作任务的情况之下，功耗降低了17%到29%。也就是说，每瓦的性能提升了1.2到1.39倍。Arm还声称G76和G77的时钟频率不会变化太大，大概在850MHz。
Arm预计明年搭载G77的SoC会有1.4倍的性能提升。如果拿搭载G76的Samsung’s Exynos 9820作为参考，这意味着明年搭载G77的SoC的性能将接近苹果A12的GPU性能，并且功耗表现更加出色。这将让高通陷入比较尴尬的境地，因为这很明显超出了高通最新的Adreno 640。当然，我们也希望高通能够迅速推出新一代的GPU。
机器学习的性能是G77值得自豪的点。G77在机器学习方面的性能是G76的1.6倍。这得益于在核中多加入了33%的处理单元、大幅优化的Load/Store、数据带宽的提升。
Arm将Valhall与其之前的两代架构做了个大致的对比。在相同处理任务和相同性能的前提下，功耗效率的提升同比（year-to-year）增长30%，G77比G72的功耗减少了50%。
总结
Arm此次激动地宣布了新一代GPU Mali-G77以及新一代架构Valhall，因为相比于以前Arm的GPU IP，这是一次较大的飞跃。
Valhall对Execution Core做了根本性的改变，旨在与桌面级的GPU架构对其。这是一次期待已久的转变，G77已经称得上是一个非常好的GPU，而之前的G71和G72不是。
如果资料上所述没有问题的话，G77应该可以在性能和效率上赶上苹果和高通，而且可以赶超高通的当前GPU。