[論文レビュー] HL-LHC Computing Review: Common Tools and Community Software

Aarrestad, Thea, Amoroso, Simone+106 more|arXiv (Cornell University)|Jan 1, 2020

Particle physics theoretical and experimental studies参考文献 96被引用数 11

ひとこと要約

この論文は、ハイグレジュエーションLHC（HL-LHC）における一般的でコミュニティ主導のソフトウェアの現状をレビューし、物理学イベントジェネレータ、検出器シミュレーション、再構築／ソフトウェアトリガ、データ解析の分野において、主な課題と研究開発の優先事項を特定する。GPUおよびアクセラレータの採用、プロファイリングと最適化の向上、機械学習の統合、資金とキャリア開発の連携による、重要なソフトウェアの長期的持続可能性の促進を提言する。

ABSTRACT

Common and community software packages, such as ROOT, Geant4 and event generators have been a key part of the LHC's success so far and continued development and optimisation will be critical in the future. The challenges are driven by an ambitious physics programme, notably the LHC accelerator upgrade to high-luminosity, HL-LHC, and the corresponding detector upgrades of ATLAS and CMS. In this document we address the issues for software that is used in multiple experiments (usually even more widely than ATLAS and CMS) and maintained by teams of developers who are either not linked to a particular experiment or who contribute to common software within the context of their experiment activity. We also give space to general considerations for future software and projects that tackle upcoming challenges, no matter who writes it, which is an area where community convergence on best practice is extremely useful.

研究の動機と目的

• HL-LHCにおける計算要求の増大に対応する。トリガレートと積み重なり（pile-up）は、それぞれ約10倍と200倍に増加する予測である。
• 複数のHEP実験で共通して使用されるソフトウェアツールのための研究開発のニーズを特定・優先順位付けする。
• 資金、キャリア開発、インfra構築支援を通じて、重要なコミュニティソフトウェアの長期的持続可能性を確保する。
• CPU、GPU、FPGA、TPUを含む多様なアーキテクチャ間での相互運用性とポータビリティを向上させ、HEPソフトウェアの将来への耐久性を高める。
• HEPと産業界の協力を促進し、機械学習およびハードウェアアクセラレーション分野の進歩を活用する。

提案手法

• 物理イベントジェネレータのパフォーマンスプロファイリングとCPUコスト会計を実施し、最適化の対象を特定する。
• データ並列パラダイムを用いたGPU移植の検討と、イベントジェネレータ向けのプロトタイプGPU実装の開発。
• 標準化されたチューニングおよび検証フレームワークを備えた、機械学習ベースおよびパラメトリックモデルを用いた高速シミュレーション技術の発展。
• 特にカリメータリーの分野において、Geant4その他のシミュレーションツール向けに、CPU-GPUハイブリッド統合プロトタイプの開発。
• クロス実験の解析ワークフローを簡素化するための宣言的記述言語およびメタデータスキームの設計。
• 主流のデータサイエンスおよび機械学習フレームワーク（例：PyTorch、TensorFlow）とHEPソフトウェアスタックとの間の相互運用性スキームの提案。

実験結果

リサーチクエスチョン

• RQ1 物理イベントジェネレータは、GPUおよびベクトル実行を最適化することで、CPUコストをどのように削減できるか？
• RQ2 現在の検出器シミュレーション（例：Geant4）における主要なパフォーマンスボトルネックは何か。また、リファクタリングおよび専用のHEPモデルを用いることで、どのように緩和できるか？
• RQ3 極度の積み重なり下で、オンラインおよびオフラインシステム間の再構築およびソフトウェアトリガパイプラインが、どのようにしてより効率的かつ一貫性を持たせられるか？
• RQ4 O(1 kb/event)のデータ断面積を達成しつつ、解析の柔軟性を保持するためのデータ圧縮およびストレージモデルは何か？
• RQ5 外部の機械学習およびデータサイエンスツールとのHEPソフトウェアの持続可能な統合は、どのように実現できるか。その際、ポータビリティや長期的保守性を損なわないようにするには？

主な発見

• GPUアクセラレーションは、イベントジェネレータ、検出器シミュレーション（特にカリメータリー分野）、再構築の分野において、全分野で最優先事項であると特定された。
• 現在のCPU性能向上率は年間約10％にとどまっているため、HL-LHCの準備が整うためには、GPUおよびアクセラレータの採用が不可欠である。
• 機械学習技術は、フェーズスペースサンプリングの最適化、負の重みイベントの削減、高速シミュレーションの加速の分野で強く有望な成果を示している。
• コミュニティソフトウェアの長期的持続可能性を確保する大きな課題は、開発者に対する専用の資金とキャリアパスの整備が不可欠である。
• 解析ワークフローにおけるクロス実験の相互運用性は、宣言的構文および標準化されたメタデータおよびキャリブレーションスキームにより向上できる。
• C++ベースのHEPフレームワークへの機械学習モデルの統合は、リアルタイム解析およびトリガ最適化を実現するための重要な促進要因と見なされている。