[論文レビュー] Using Graphics Processing Units to solve the classical N-body problem in physics and astrophysics

Mario Spera|arXiv (Cornell University)|Nov 19, 2014

Parallel Computing and Optimization Techniques参考文献 1被引用数 4

ひとこと要約

この論文では、Hermite積分法とCUDA/OpenCLを用いたGPUアクセラレート型直接N体計算コードHiGPUsを提示する。CPUオンリー手法と比較して100倍以上の高速化を達成した。また、近接接近を安定かつ正確に扱える新規並列実装であるHiGPUs-Rを導入し、高エネルギー保存性と1枚のGPUで最大1.4 TFlopsの性能を発揮する複雑な恒星動力学のシミュレーションが可能になった。

ABSTRACT

Graphics Processing Units (GPUs) can speed up the numerical solution of various problems in astrophysics including the dynamical evolution of stellar systems; the performance gain can be more than a factor 100 compared to using a Central Processing Unit only. In this work I describe some strategies to speed up the classical $N$-body problem using GPUs. I show some features of the $N$-body code HiGPUs as template code. In this context, I also give some hints on the parallel implementation of a regularization method and I introduce the code HiGPUs-R. Although the main application of this work concerns astrophysics, some of the presented techniques are of general validity and can be applied to other branches of physics such as electrodynamics and QCD.

研究の動機と目的

• GPUハードウェアを用いて天体力学における古典的N体問題の数値的解法を高速化すること。
• 粒子間の近接接近によって引き起こされる紫外発散問題を解消すること。
• GPUベースのN体フレームワーク内に、特にMikkolaのアルゴリズム的正則化（MAR）を効率的に実装・最適化すること。
• 階層的二重星系や放出イベントなど、標準的積分法では不安定または実行不可能な複雑な力学的系の高精度なシミュレーションを可能にすること。
• 単一GPUおよびマルチGPUクラスタアーキテクチャにおけるGPUベースN体コードのスケーラビリティと性能を実証すること。

提案手法

• HiGPUsコードでは、1ステップあたり1回の力計算で十分な精度を得られる6次精度のHermite時間積分法を採用する。
• CUDAまたはOpenCLを用いてGPUの巨大な並列性を活用し、最大3,000コア、80,000本の同時スレッドを実現する。
• 紫外発散を緩和するために重力法則にソフトニングパラメータεを適用し、正則化を必要としない。
• CPU-GPUハイブリッドアプローチを採用：CPUスレッドが密結合なグループを特定し、正則化を開始する。GPUカーネルがバックグラウンド計算を実行する。
• HiGPUs-Rでは、MARの並列化スキームを導入し、主N体積分中に小規模なサブシステムを非同期に正則化可能にした。
• MPIとOpenMPを用いてGPUクラスタ全体にコードをスケーリングし、最大8×10⁶粒子の大きなN体系における分散計算を可能にした。

実験結果

リサーチクエスチョン

• RQ1 GPUアクセラレーションは、天体力学における直接N体シミュレーションのパフォーマンスをどのように向上させ得るか？
• RQ2 GPUアーキテクチャを用いたN体シミュレーションにおいて、紫外発散を効果的に処理する戦略は何か？
• RQ3 Mikkolaのアルゴリズム的正則化は、GPUベースのN体コードに効率的に並列化・統合可能か？
• RQ4 ハイブリッドCPU-GPU正則化戦略により、N体シミュレーションでどの程度のパフォーマンス向上と精度向上が達成可能か？
• RQ5 HiGPUsおよびHiGPUs-Rコードは、大規模N体系に対してマルチGPUクラスタでどの程度スケーラブルか？

主な発見

• N ≈ 8×10⁶粒子のシミュレーションにおいて、256枚のGPUにスケーリングした際、HiGPUsの計算効率は約92％を達成した。
• 単一のGeForce GTX TITAN Black GPUでは、約1.4 TFlopsのパフォーマンスを維持した。
• HiGPUs-Rは、時間ステップ制限により標準的Hermite積分法で失敗する、修正されたピタゴラス3体問題の安定シミュレーションを可能にした。
• HiGPUs-Rではエネルギー保存性が優れており、長時間積分後でも相対的エネルギー変動が10⁻⁸未満に保たれた。
• MARを用いた正則化により、元来極めて小さな時間ステップを要する複雑な系の積分時間が約10秒に短縮された。
• ハイブリッドCPU-GPU並列化戦略により、正則化が非同期に進行し、アイドル時間の最小化とGPUの利用率最大化が達成された。