[論文レビュー] GPU-based Data-parallel Rendering of Large, Unstructured, and Non-convexly Partitioned Data

Alper Sahistan, Serkan Demirci+5 more|arXiv (Cornell University)|Sep 29, 2022

Computer Graphics and Visualization Techniques被引用数 4

ひとこと要約

本論文は、CFDシミュレーションからのような大規模で非凸的かつ非一様に分割されたデータセットを対象とし、XORベースのインデックス圧縮とGPU最適化されたディープコンポジティング方式を用いた、GPUベースのデータ並列な直接ボリュームレンダリングフレームワークを提示する。72 GPUで14〜15 fps、111.57 GB、64億要素のデータセットに対して80 GPUで10.27 fpsのインタラクティブなフレームレートを達成し、データ再配布なしに非凸的かつ分散されたクラスタをまたがる正しいコンポジティングを可能にする。

ABSTRACT

Computational fluid dynamic simulations often produce large clusters of finite elements with non-trivial, non-convex boundaries and uneven distributions among compute nodes, posing challenges to compositing during interactive volume rendering. Correct, in-place visualization of such clusters becomes difficult because viewing rays straddle domain boundaries across multiple compute nodes. We propose a GPU-based, scalable, memory-efficient direct volume visualization framework suitable for in~situ and post~hoc usage. Our approach reduces memory usage of the unstructured volume elements by leveraging an exclusive or-based index reduction scheme and provides fast ray-marching-based traversal without requiring large external data structures built over the elements themselves. Moreover, we present a GPU-optimized deep compositing scheme that allows correct order compositing of intermediate color values accumulated across different ranks that works even for non-convex clusters. Our method scales well on large data-parallel systems and achieves interactive frame rates during visualization. We can interactively render both Fun3D Small Mars Lander (14 GB / 798.4 million finite elements) and Huge Mars Lander (111.57 GB / 6.4 billion finite elements) data sets at 14 and 10 frames per second using 72 and 80 GPUs, respectively, on TACC's Frontera supercomputer.

研究の動機と目的

• データ再配布なしに、大規模で非構造的かつ非凸的分割されたシミュレーションデータのインタラクティブで正しい可視化を可能にすること。
• データ並列レンダリングにおいて、非凸的かつ不規則に分散された有限要素クラスタ間でのコンポジティングの課題に対処すること。
• レンダリングの性能や正しさを損なわずに、非構造格子表現におけるメモリ使用量を削減すること。
• 最小限のコンポジティングオーバーヘッドで、大規模GPUクラスタ（最大80 GPU）に効率的にスケーリングすること。
• 複数のスカラーフィールドとタイムステップを含む複雑なCFDデータセットのイン・サイトおよびポスト・ホック可視化をサポートすること。

提案手法

• 非構造格子の有限要素データ構造のメモリフットプリントを削減するため、XORベースのインデックス圧縮方式を採用する。
• 大きな外部データ構造を必要としない混合要素のレイムーブマーチャーを採用し、視線に沿ってレイセグメントを走査する。
• 非凸的クラスタ境界を越えて、複数のコンピュータノード間でRGBA-Z値を正しくコンポジットするGPU最適化されたディープコンポジティングアルゴリズムを導入する。
• シミュレーション出力から得られるネイティブな非凸的パーティションを活用し、コストの高いデータ再配布を回避する。
• Fronteraスーパーコンピュータ上で18ノードおよび72〜80 GPUにスケーリング可能な、MPIとCUDAを統合したデータ並列アーキテクチャを採用する。
• 収束問題を引き起こす点クエリサンプリング手法とは異なり、決定論的でノイズのないレイムーブマーチングアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 データ並列GPUレンダリングシステムにおいて、非凸的かつ不規則に分割された非構造格子に対して、ディープコンポジティングを効率的かつ正確に行うことは可能か？
• RQ2 レンダリングの性能や正しさを損なわずに、非構造格子表現におけるメモリ使用量をどのように削減できるか？
• RQ3 ネイティブなシミュレーションパーティションを用いて、大規模で非凸的分割されたCFDデータセットのインタラクティブなフレームレートを達成できるか？
• RQ4 不均等な負荷分布下でも、提案フレームワークのスケーラビリティはどのように変化するか？
• RQ5 ノイズ、収束性、メモリ使用量の観点から、提案されたレイムーブマーチャーは点クエリサンプリング手法と比べてどのように性能を発揮するか？

主な発見

• Small Mars Landerデータセット（14 GB、79840万要素）に対して72 GPUで15.14 fpsを達成し、コンポジティングコストは合計時間の22.68％未満で安定している。
• より大きなHuge Mars Landerデータセット（111.57 GB、64億要素）に対して80 GPUで10.27 fpsを達成し、強力なスケーラビリティを示している。
• GPU数にかかわらずコンポジティングオーバーヘッドがほぼ一定であるため、高いスケーラビリティと低通信コストを示している。
• Small Mars Landerでは24 GPU、Huge Mars Landerでは32 GPUで急激な性能向上が観察され、最適なスケーリングしきい値が示された。
• XORベースの圧縮によりメモリ使用量が削減され、ディープコンポジティング手法は非凸的かつ分散されたクラスタを越えて順序コンポジティングを正しく処理している。
• 点クエリサンプリング手法とは異なり、収束遅延なしに決定論的でノイズのない画像を維持している。