🎮 La Carte Graphique (GPU)

🎯 Objectifs

À l'issue de ce cours, vous serez capable de :

• Expliquer le rôle d'un GPU et sa différence fondamentale avec un CPU.
• Décrire l'architecture interne d'un GPU (cœurs, mémoire VRAM, bus).
• Distinguer un GPU intégré (iGPU) d'un GPU dédié (dGPU) et choisir la solution adaptée à un besoin.
• Identifier les différents connecteurs d'affichage (VGA, DVI, HDMI, DisplayPort) et les résolutions associées.
• Connaître les principaux fabricants (NVIDIA, AMD, Intel) et leurs gammes de produits.
• Comprendre les usages du calcul parallèle sur GPU (GPGPU) : IA, rendu 3D, simulation scientifique.
• Dimensionner l'alimentation et le refroidissement nécessaires à un GPU.
• Mettre en œuvre un GPU dans un contexte serveur (passthrough, vGPU).
• Utiliser les outils de diagnostic et de supervision d'un GPU sous Linux et Windows.

📖 Qu'est-ce qu'un GPU ?

Le GPU (Graphics Processing Unit), ou processeur graphique, est un composant matériel spécialisé dans le traitement massivement parallèle de données. Conçu à l'origine pour accélérer l'affichage 2D et 3D à l'écran, le GPU est devenu un élément central de l'informatique moderne, utilisé bien au-delà du simple rendu graphique.

CPU vs GPU : séquentiel vs parallèle massif

La différence fondamentale entre un CPU et un GPU réside dans leur philosophie de calcul :

Le CPU est optimisé pour la latence (exécuter une tâche le plus rapidement possible), tandis que le GPU est optimisé pour le débit (exécuter un maximum de tâches en parallèle). C'est cette architecture massivement parallèle qui rend le GPU indispensable pour le rendu graphique, où chaque pixel de l'écran doit être calculé de façon indépendante.

Rôle historique et moderne

Historiquement, le GPU se chargeait exclusivement de :

• L'accélération de l'affichage 2D (bureau, fenêtres, défilement).
• Le rendu 3D en temps réel (jeux vidéo, CAO).
• Le décodage vidéo matériel (lecture de DVD, puis Blu-ray, puis streaming 4K).

Aujourd'hui, le GPU est aussi utilisé pour :

• L'entraînement et l'inférence de modèles d'intelligence artificielle (deep learning).
• Le calcul scientifique haute performance (HPC).
• Le minage de cryptomonnaies (bien que de moins en moins rentable sur GPU).
• Le transcodage vidéo accéléré matériellement (NVENC, VCE, Quick Sync).
• La virtualisation d'affichage dans les datacenters (VDI).

📖 Architecture d'un GPU

L'architecture interne d'un GPU moderne est organisée en plusieurs blocs fonctionnels spécialisés, chacun jouant un rôle précis dans le pipeline de rendu ou de calcul.

Cœurs de calcul : CUDA Cores et Stream Processors

Les cœurs de calcul sont les unités fondamentales du GPU. Leur dénomination varie selon le fabricant :

• CUDA Cores (NVIDIA) : unités de calcul à virgule flottante capables d'effectuer des opérations arithmétiques simples (addition, multiplication). Une RTX 4090 possède 16 384 CUDA cores.
• Stream Processors (AMD) : équivalent fonctionnel des CUDA cores chez AMD. Une RX 7900 XTX possède 6 144 Stream Processors.
• Xe Cores (Intel) : les unités de calcul des GPU Intel Arc.

Ces cœurs sont regroupés en blocs appelés SM (Streaming Multiprocessors) chez NVIDIA ou CU (Compute Units) chez AMD. Chaque SM/CU contient un ensemble de cœurs, des registres, du cache partagé et des unités de contrôle.

Unités spécialisées

Mémoire VRAM

La VRAM (Video Random Access Memory) est la mémoire dédiée du GPU. Elle stocke les textures, le framebuffer, les shaders compilés et les données de calcul. Contrairement à la RAM système, la VRAM est directement reliée au GPU par un bus très rapide.

Bus mémoire

Le bus mémoire détermine la quantité de données pouvant transiter simultanément entre le GPU et sa VRAM. Plus le bus est large, plus la bande passante est élevée :

La bande passante mémoire se calcule ainsi :
Bande passante (Go/s) = Fréquence effective (MHz) × Largeur du bus (bits) ÷ 8

📖 GPU intégré vs GPU dédié

Il existe deux grandes catégories de GPU, chacune répondant à des besoins différents.

GPU intégré (iGPU)

Le GPU intégré est incorporé directement dans le processeur (CPU). Il partage la mémoire RAM système au lieu de disposer de sa propre VRAM. On parle parfois d'APU (Accelerated Processing Unit) chez AMD.

• Intel UHD Graphics : présent dans la plupart des processeurs Intel Core, suffisant pour la bureautique et le décodage vidéo.
• Intel Iris Xe : présent dans les processeurs Intel Core de 11ᵉ génération et plus, performances légèrement supérieures.
• AMD Radeon Graphics (intégré) : présent dans les APU AMD Ryzen (séries G/GE), offre souvent de meilleures performances graphiques que les iGPU Intel.

GPU dédié (dGPU)

Le GPU dédié est une carte séparée installée dans un slot PCIe de la carte mère. Il dispose de sa propre VRAM, de son propre système de refroidissement et de sa propre alimentation.

Quand choisir quoi ?

• Poste bureautique / serveur headless : un iGPU suffit amplement. Cela réduit le coût, la consommation et la complexité.
• Poste de travail CAO / montage vidéo : un dGPU professionnel (Quadro/RTX Pro, Radeon Pro) est recommandé pour les drivers certifiés et la VRAM importante.
• Poste gaming : un dGPU gaming (GeForce, Radeon) est indispensable.
• Serveur d'IA / HPC : un ou plusieurs dGPU datacenter (A100, H100, Instinct) sont nécessaires.

📖 Connectique d'affichage

La carte graphique transmet le signal vidéo à l'écran via différents connecteurs. L'évolution de ces connecteurs suit celle des résolutions et des fréquences de rafraîchissement.

Résolutions courantes

Remarque : Le DisplayPort est généralement préféré en milieu professionnel car il supporte le daisy-chaining (chaînage de plusieurs écrans sur un seul câble) et offre souvent une meilleure bande passante. Le HDMI reste le standard pour les téléviseurs et les appareils grand public.

📖 Fabricants et gammes

Le marché des GPU est dominé par trois acteurs principaux, chacun proposant des gammes adaptées à différents segments.

NVIDIA

NVIDIA est le leader du marché GPU, tant dans le gaming que dans le datacenter.

AMD

AMD propose une alternative compétitive, particulièrement dans le segment gaming avec ses architectures RDNA.

Intel

Intel est un entrant récent sur le marché des GPU dédiés avec sa gamme Arc.

📖 GPU et calcul parallèle (GPGPU)

Le GPGPU (General-Purpose computing on Graphics Processing Units) désigne l'utilisation du GPU pour des calculs qui ne sont pas liés au rendu graphique. Cette approche exploite l'architecture massivement parallèle du GPU pour accélérer des tâches de calcul intensif.

Frameworks de calcul GPU

Domaines d'application du GPGPU

🤖 Intelligence Artificielle et Machine Learning

L'entraînement de réseaux de neurones profonds (deep learning) repose sur des multiplications matricielles massives, opération pour laquelle le GPU est extrêmement efficace. Les frameworks comme TensorFlow, PyTorch et JAX utilisent CUDA pour accélérer les calculs. Les Tensor Cores de NVIDIA accélèrent encore davantage ces opérations grâce au calcul en précision mixte (FP16/FP32).

⛏️ Minage de cryptomonnaies

Le minage consiste à effectuer des calculs de hachage en boucle pour valider des transactions sur une blockchain. L'architecture parallèle du GPU le rend beaucoup plus efficace qu'un CPU pour cette tâche. Cependant, depuis le passage d'Ethereum au Proof of Stake (2022), le minage sur GPU a fortement diminué pour les principales cryptomonnaies.

🎬 Rendu 3D et simulation

Les moteurs de rendu comme Blender Cycles, V-Ray et OctaneRender utilisent le GPU pour accélérer le calcul de rayons lumineux (ray tracing). Un rendu qui prendrait des heures sur CPU peut être réalisé en quelques minutes sur GPU.

🔬 Simulation scientifique

La dynamique des fluides (CFD), la simulation moléculaire, l'analyse financière, la météorologie et la génomique exploitent le GPU pour traiter d'immenses jeux de données. Les supercalculateurs modernes intègrent des milliers de GPU (ex : le supercalculateur Frontier avec des GPU AMD Instinct MI250X).

📖 Alimentation et refroidissement

Les GPU dédiés sont parmi les composants les plus gourmands en énergie d'un ordinateur. Dimensionner correctement l'alimentation et le refroidissement est essentiel pour garantir stabilité et longévité.

TDP et TGP

• TDP (Thermal Design Power) : puissance thermique maximale que le système de refroidissement doit dissiper, exprimée en watts.
• TGP (Total Graphics Power) : consommation totale de la carte graphique, incluant le GPU, la VRAM et les composants auxiliaires.
• TBP (Total Board Power) : synonyme de TGP, utilisé par certains fabricants.

Connecteurs d'alimentation

Le slot PCIe x16 fournit au maximum 75 W. Pour les cartes nécessitant plus de puissance, des connecteurs d'alimentation supplémentaires sont requis :

Solutions de refroidissement

📖 GPU en contexte serveur

Dans un environnement serveur et datacenter, le GPU joue un rôle croissant pour la virtualisation d'affichage, l'IA et le calcul haute performance.

GPU Passthrough (virtualisation)

Le GPU passthrough consiste à attribuer un GPU physique complet et exclusif à une seule machine virtuelle (VM). La VM dispose alors d'un accès direct au matériel, avec des performances proches du natif.

• Nécessite le support IOMMU (Intel VT-d ou AMD-Vi) dans le BIOS/UEFI.
• Utilisé avec des hyperviseurs comme KVM/QEMU, VMware ESXi ou Proxmox VE.
• Limitation : un GPU ne peut être assigné qu'à une seule VM à la fois.

vGPU (GPU virtualisé)

La technologie vGPU (notamment NVIDIA GRID et NVIDIA vGPU) permet de partager un seul GPU physique entre plusieurs machines virtuelles simultanément. Chaque VM reçoit une fraction des ressources GPU.

GPU dans les racks serveurs

Les GPU datacenter sont conçus spécifiquement pour l'environnement serveur :

• Format : cartes au format PCIe pleine longueur, souvent en simple slot avec refroidissement passif (le flux d'air du serveur assure le refroidissement).
• Interconnexion : technologies comme NVLink (NVIDIA) permettent à plusieurs GPU de communiquer entre eux avec une bande passante très élevée (jusqu'à 900 Go/s sur NVLink 4).
• Systèmes multi-GPU : des serveurs comme le NVIDIA DGX intègrent jusqu'à 8 GPU interconnectés par NVLink dans un seul châssis.
• Gestion à distance : les GPU datacenter supportent la supervision à distance via nvidia-smi, IPMI et des outils de gestion de flotte.

📖 Diagnostic et outils

La gestion, le diagnostic et la supervision des GPU sont essentiels pour un technicien SISR. Voici les principaux outils disponibles.

Outils en ligne de commande (Linux)

Outils graphiques

Drivers GPU

Le choix du driver est crucial pour les performances et la stabilité du GPU :

Vérification de l'installation sous Linux

Voici une procédure typique pour diagnostiquer un GPU sous Linux :

1. Détecter le GPU : lspci | grep -i vga
2. Vérifier le driver chargé : lspci -k -s 01:00.0 (chercher la ligne Kernel driver in use)
3. Vérifier l'accélération 3D : glxinfo | grep "direct rendering" (doit afficher Yes)
4. Pour NVIDIA — vérifier le driver : nvidia-smi (affiche la version du driver et de CUDA)
5. Vérifier les températures : nvidia-smi -q -d TEMPERATURE ou sensors
6. Surveiller en temps réel : watch -n1 nvidia-smi ou nvtop (outil TUI dédié)