[論文レビュー] Towards the automation of Monte Carlo simulation on GPU for particle physics processes

Stefano Carrazza, Juan Cruz–Martinez+2 more|arXiv (Cornell University)|May 21, 2021

Distributed and Parallel Computing Systems被引用数 4

ひとこと要約

この論文では、MadGraph5_aMC@NLO と GPU 最適化ライブラリである VegasFlow および PDFFlow を統合することで、GPU による粒子物理学プロセスのモンテカルロシミュレーションを自動化する新しいフレームワーク、MadFlow を提案する。CPU および GPU 上でローレベル行列要素とフェーズスペース生成のエンドツーエンドシミュレーションを可能にし、標準的な MC ツールと統計的に一致する結果を示し、精度は 0.02% 以内で、GPU ハードウェア上では最大 10 倍の高速化を達成した。

ABSTRACT

In this proceedings we present MadFlow, a new framework for the automation of Monte Carlo (MC) simulation on graphics processing units (GPU) for particle physics processes. In order to automate MC simulation for a generic number of processes, we design a program which provides to the user the possibility to simulate custom processes through the MadGraph5_aMC@NLO framework. The pipeline includes a first stage where the analytic expressions for matrix elements and phase space are generated and exported in a GPU-like format. The simulation is then performed using the VegasFlow and PDFFlow libraries which deploy automatically the full simulation on systems with different hardware acceleration capabilities, such as multi-threading CPU, single-GPU and multi-GPU setups. We show some preliminary results for leading-order simulations on different hardware configurations.

研究の動機と目的

• 高エネルギー物理学におけるモンテカルロシミュレーションの計算負荷の増大に応じ、GPU による加速を可能にすること。
• 任意のプロセスに対して、ハードウェアアクセラレータ上で部分子レベルの行列要素とフェーズスペース生成を自動デプロイすること。
• 既存の HEP ツール（例：MadGraph5_aMC@NLO）とシームレスに統合できる保守性が高く、開発者フレンドリーなフレームワークを提供すること。
• 低レベルのハードウェアコーディングを必要とせず、CPU、単一 GPU、マルチ GPU 環境をまたいで高性能かつポータブルなシミュレーションを可能にすること。
• 将来の NLO 計算のサポートおよびディープラーニングベースのシミュレーション技術との統合の基盤を築くこと。

提案手法

• フレームワークは、プロセス固有の行列要素とフェーズスペース式を標準形式で生成するため、MadGraph5_aMC@NLO を使用する。
• Feynman ルールを Tensorflow 互換の演算に変換するカスタム Python プラグインを用いて、これらの式を GPU 互換形式にエクスポートする。
• 波動関数や頂点における条件付き文を処理するため、TensorFlow の制御フローを用いて行列要素の評価をベクトル化する。
• フェーズスペース生成と運動量の評価は、ハードウェアアクセラレーションをサポートする VegasFlow を用いて GPU 上で実行する。
• パートン分布関数は、高速な PDF インターポレーションを実現する GPU 最適化ライブラリである PDFFlow を用いて評価する。
• 全パイプラインは GPU 上で完全に実行され、CPU-GPU 間のデータ転送を最小限に抑え、エンドツーエンドの加速を実現する。

実験結果

リサーチクエスチョン

• RQ1 任意の粒子物理学プロセスに対して、GPU で実行可能なモンテカルロシミュレーションを完全に自動化したパイプラインを構築できるか？
• RQ2 GPU による加速シミュレーションが、CPU 僅用の結果と比較して、断面積予測においてどの程度の精度で一致するか？
• RQ3 ローレベルプロセスにおいて、CPU 僅用の実行と比較して、GPU による加速が性能向上にどの程度寄与するか？
• RQ4 CPU 用の統合器を GPU 最適化されたものに置き換えた場合、数値的安定性と精度を維持できるか？
• RQ5 マルチ GPU システムを含む、さまざまなハードウェア構成において、フレームワークのパフォーマンスポータビリティはどの程度か？

主な発見

• MadFlow フレームワークは、標準的な MG5_aMC の結果と統計的に一致し、14 TeV でのグルーオン-グルーオン融合における微分断面積において、相対差が 0.02% 未満であることを確認した。
• 単一の NVIDIA Titan V GPU を用いた GPU による加速実装は、CPU 僅用の MG5_aMC バージョンに比べ、最大 10 倍の性能向上を達成した。
• CPU 僅用の VegasFlow のバージョンは、優れた並列化により、元の MG5_aMC 統合器をすでに上回る性能を示しており、下位層のライブラリ設計の有効性を裏付けた。
• ベンチマーク中のすべての計算が GPU 上で完全に実行され、非同期的な CPU 評価は一切行われなかったため、完全な GPU オフロード能力を実証した。
• 波動関数に条件付き論理を含む複雑な行列要素評価を適切に処理でき、非自明な HEP 振幅の GPU 移行の可能性を実証した。
• 解析的行列要素生成から GPU 実行までの全パイプラインが正当化されたことを確認し、今後の NLO やディープラーニングベースのシミュレーション拡張の道筋を示した。