[論文レビュー] Internal Diffusion-Limited Aggregation: Parallel Algorithms and Complexity

Cristopher Moore, Jonathan Machta|ArXiv.org|Sep 15, 1999

Advanced Algebra and Logic被引用数 4

ひとこと要約

本稿は、2次元以上における内部拡散制限凝集（internal DLA）の計算複雑性を調査し、それがCC完全であることを証明している。これは並列処理に内在する制限を示している。本稿では、クラスタのほぼ球形の形状を活用してクラスタ予測を高速化する並列緩和アルゴリズムを提案し、シミュレーションにおいて多対数的または小さなべき乗の並列実行時間を達成している。kプロセッサマシン上での理論的ステップ複雑度はO((n/k + log k)n^{2/d})であり、逐次的O(n^{1+2/d})シミュレーションに比べ顕著な高速化を実現している。

ABSTRACT

The computational complexity of internal diffusion-limited aggregation (DLA) is examined from both a theoretical and a practical point of view. We show that for two or more dimensions, the problem of predicting the cluster from a given set of paths is complete for the complexity class CC, the subset of P characterized by circuits composed of comparator gates. CC-completeness is believed to imply that, in the worst case, growing a cluster of size n requires polynomial time in n even on a parallel computer. A parallel relaxation algorithm is presented that uses the fact that clusters are nearly spherical to guess the cluster from a given set of paths, and then corrects defects in the guessed cluster through a non-local annihilation process. The parallel running time of the relaxation algorithm for two-dimensional internal DLA is studied by simulating it on a serial computer. The numerical results are compatible with a running time that is either polylogarithmic in n or a small power of n. Thus the computational resources needed to grow large clusters are significantly less on average than the worst-case analysis would suggest. For a parallel machine with k processors, we show that random clusters in d dimensions can be generated in O((n/k + log k) n^{2/d}) steps. This is a significant speedup over explicit sequential simulation, which takes O(n^{1+2/d}) time on average. Finally, we show that in one dimension internal DLA can be predicted in O(log n) parallel time, and so is in the complexity class NC.

研究の動機と目的

• 2次元以上の内部DLAの計算複雑性を分析すること。
• 内部DLAクラスタ成長のための効率的な並列アルゴリズムを開発すること。
• 内部DLAが並列で効率的に予測可能かどうか、特に最悪ケースの複雑度境界と比較して評価すること。
• シミュレーションを通じて提案された並列緩和アルゴリズムの実用的性能を評価すること。

提案手法

• d ≥ 2次元において、内部DLA予測がCC完全であることを証明し、並列計算における本質的困難性を示すこと。
• パスデータに基づいてクラスタ形状を推測し、非局所的消失プロセスで誤りを是正する並列緩和アルゴリズムを設計すること。
• 内部DLAクラスタのほぼ球形の幾何学的性質を活用して初期推測をガイドし、是正ステップを削減すること。
• 2次元において、シリアルコンピュータ上で緩和アルゴリズムをシミュレートし、その並列実行時間を推定すること。
• kプロセッサ並列マシン上でのクラスタ生成に要するステップ数の理論的境界を導出すること。
• 1次元において、内部DLAがO(log n)の並列時間で予測可能であり、NC複雑度クラスに属することを示すこと。

実験結果

リサーチクエスチョン

• RQ1 内部拡散制限凝集は、並列で予測することが計算的に困難であり、2次元以上ではどの複雑度クラスに属するか？
• RQ2 内部DLAクラスタのほぼ球形構造を活用して、より高速な並列アルゴリズムを設計可能か？
• RQ3 kプロセッサマシン上でのランダムな内部DLAクラスタ生成の理論的並列時間複雑度は何か？
• RQ4 緩和アルゴリズムは、最悪ケース解析が示唆するよりも実際には優れた性能を発揮するか？
• RQ5 1次元における内部DLAは効率的に並列化可能か？また、NC複雑度クラスに属するか？

主な発見

• 2次元以上の内部DLAはCC完全であるため、並列計算を用いても最悪ケースでは多項式時間が必要であると示唆されている。
• 提案された並列緩和アルゴリズムは、2次元において多対数的またはnの小さなべき乗の実行時間を示しており、最悪ケースより優れた性能を示している。
• kプロセッサマシン上では、d次元においてO((n/k + log k)n^{2/d})ステップで実行され、逐次シミュレーションのO(n^{1+2/d})に比べ顕著な高速化が達成されている。
• 理論的スピードアップは顕著である：逐次シミュレーションのO(n^{1+2/d})から、並列実行のO((n/k + log k)n^{2/d})にまで低下している。
• 1次元では、内部DLAがO(log n)の並列時間で予測可能であり、NC複雑度クラスに属している。
• 緩和アルゴリズムの数値的シミュレーションは、実行時間がnとともにゆっくりと増加することを支持しており、最悪ケースの複雑度予測とは矛盾している。