[論文レビュー] GPU-Accelerated Computation of Vietoris-Rips Persistence Barcodes

Simon Zhang, Mengbai Xiao+1 more|arXiv (Cornell University)|Jan 1, 2020

Topological and Geometric Data Analysis参考文献 34被引用数 18

ひとこと要約

この論文では、顕在ペアと並列アルゴリズムを活用して、GPUを用いたベータリス＝リプスの持続的ホモロジーのバー図を計算するソフトウェアであるRipser++を提示する。これにより、元のRipserと比較して最大30倍の高速化が達成される。顕在ペアに関する理論的境界を導出し、フィルトレーション構築、行列削減、メモリ管理をGPU実行に最適化することで、有利な条件下でCPUメモリ使用量を最大2.0倍まで削減する。

ABSTRACT

The computation of Vietoris-Rips persistence barcodes is both execution-intensive and memory-intensive. In this paper, we study the computational structure of Vietoris-Rips persistence barcodes, and identify several unique mathematical properties and algorithmic opportunities with connections to the GPU. Mathematically and empirically, we look into the properties of apparent pairs, which are independently identifiable persistence pairs comprising up to 99% of persistence pairs. We give theoretical upper and lower bounds of the apparent pair rate and model the average case. We also design massively parallel algorithms to take advantage of the very large number of simplices that can be processed independently of each other. Having identified these opportunities, we develop a GPU-accelerated software for computing Vietoris-Rips persistence barcodes, called Ripser++. The software achieves up to 30x speedup over the total execution time of the original Ripser and also reduces CPU-memory usage by up to 2.0x. We believe our GPU-acceleration based efforts open a new chapter for the advancement of topological data analysis in the post-Moore's Law era.

研究の動機と目的

• トポロジカルデータ解析におけるベータリス＝リプスの持続的ホモロジーのバー図計算における高い計算コストとメモリ使用量を低減すること。
• CPU上で性能が制限される行列削減およびフィルトレーション構築における逐次的ボトル neck を克服すること。
• GPUハードウェアの特徴を活かし、単体処理および顕在ペア同定における大規模並列処理を実現すること。
• 理論的裏付けに基づいた高パフォーマンスなソフトウェアスタックを構築し、有利なサンプリング条件下で効率的にスケーリングすること。
• 神経科学、バイオインフォマティクス、機械学習分野における大規模データセット向けに、より高速でメモリ効率の良いTDAワークフローを実現すること。

提案手法

• 数学的性質である「顕在ペア」——独立して検出可能で、全ペアの最大99％を占める——を特定・活用し、GPU並列処理による検出を可能にする。
• クリアリング付きのフィルトレーション構築および行列削減のための大規模並列アルゴリズムを設計し、GPU最適化されたデータ構造とメモリアクセスパターンを採用する。
• 部分行列削減戦略を実装し、パフォーマンスペアの追跡を効率的に行い、冗長な計算とメモリ圧力を低減する。
• スパースな場合にはワーブベースのフィルタリングを、密度の高い場合には完全なソーティングを採用するハイブリッドアプローチを採用し、削減すべき列数に応じて選択する。
• 顕在ペア発生率に理論的境界を適用し、アルゴリズム設計を支援するとともに、実験的挙動を検証する。
• すべてのモジュールを、最適化されたCUDAカーネルとメモリ管理に基づくオープンソースのGPU加速ソフトウェアスタックRipser++に統合する。

実験結果

リサーチクエスチョン

• RQ1 ベータリス＝リプスのフィルトレーションにおける顕在ペアの理論的・実験的頻度は何か？ そして、GPU並列処理に活用可能か？
• RQ2 フィルトレーション構築および行列削減における計算ボトル neck を、GPUの大規模並列処理に適した形に再構築できるか？
• RQ3 均一サンプリング条件下でのGPU最適化されたベータリス＝リプスのバー図計算の期待される作業量と深さの複雑度は何か？
• RQ4 GPUアクセラレーションにより、CPUオンリーアプローチと比較して実行時間とCPUメモリ使用量をどの程度削減できるか？
• RQ5 提案手法は、ベータリス＝リプスのフィルトレーションを超えて、フラグ複体やキューブィカル複体などの他のタイプのフィルトレーションへ一般化可能か？

主な発見

• テストデータセットにおいて顕在ペアが全パフォーマンスペアの最大99％を占め、大規模並列処理の機会を提供する。
• 顕在ペア発生率にきつい上界および下界を証明し、確率的下界が高頻度発生を支持する。
• 均一サンプリング下では、Ripser++の期待される作業量複雑度は単体数にほぼ線形に、期待される深さ複雑度はp次元ホモロジー的サイクルにのみ依存する。
• 代表的なデータセット（実世界および合成点群を含む）において、元のRipserソフトウェアと比較して最大30倍の高速化を達成する。
• ソフトウェアはCPUメモリ使用量を最大2.0倍まで削減し、Ripserが使用するCPUメモリの最大60％にまで抑える。GPUデバイスメモリに計算をオフロードしても同様の効果が得られる。
• 広範な実験により、実験的顕在ペア発生率が理論的上界とよく一致し、モデルの予測能力を裏付ける。