[논문 리뷰] Achieving High Performance with Unified Residual Evaluation

Matthew G. Knepley, Jed Brown외 2명|arXiv (Cornell University)|2013. 09. 04.

Model Reduction and Neural Networks참고 문헌 11인용 수 11

한 줄 요약

이 논문은 유한요소법에 대한 통합 잔차 평가 프레임워크를 제안하며, 물리 모델링을 메쉬 및 자유도 순회와 분리함으로써 다양한 아키텍처에서 높은 성능을 달성한다. 잔차 계산을 체적 요소에서의 점별 함수 평가와 행렬 연산을 통한 결과 집계로 구성된 단일 가시화 가능한 커널로 추상화함으로써, CPU 및 가속기에서 거의 최적의 성능을 달성하며, NVIDIA GTX580에서 300 GFLOPS를 기록한다. 이는 코드 유지보수와 확장성 향상에도 기여한다.

ABSTRACT

We examine residual evaluation, perhaps the most basic operation in numerical simulation. By raising the level of abstraction in this operation, we can eliminate specialized code, enable optimization, and greatly increase the extensibility of existing code.

연구 동기 및 목표

• 저수준 시스템 전문 지식 없이도 고성능 유한요소 잔차 코드를 작성하는 데 도전하는 것.
• 각 메쉬 유형, 이산화 또는 아키텍처에 맞는 전용 수작업 최적화 코드가 필요 없도록 하는 것.
• 메쉬 순회, 기저 함수 평가, 통합을 하나의 재사용 가능한 커널로 통합하여 임의의 요소 유형, 차원, 필드 수를 지원하는 것.
• 단일 이식 가능한 커널을 통해 효율적인 벡터화, 타일링, 하드웨어 특화 최적화를 가능하게 하는 것.
• 사용자 기여를 점별 물리 함수의 구현으로만 제한함으로써 확장성 단순화하기

제안 방법

• 방법은 잔차 평가를 메쉬의 요소 조각을 순회하는 단일 커널로 추상화하며, 행렬 연산을 사용해 체적 요소에서의 점별 함수를 평가하고 결과를 집계한다.
• 임의의 셀 형태(단-simplex, 텐서 곱, 다각형)와 하이브리드 메쉬를 코드 전용 없이 처리할 수 있는 통합 순회 모델을 사용한다.
• 잔차는 약한 형태로 계산되며, $ \mathbf{F}(u) \sim \sum_e \mathcal{E}_e^T \left[ B^T W f_0(u^q, \nabla u^q) + \sum_k D_k^T W \mathbf{f}_1^k(u^q, \nabla u^q) \right] $ 로 표현되며, 여기서 $ f_0, \mathbf{f}_1 $ 은 점별 물리 함수이다.
• 점별 함수의 도함수를 사용해 야코비안을 계산함으로써 행렬 자유 뉴턴 방법을 가능하게 한다.
• 구현은 메쉬 관리를 위해 PETSc의 DMPlex를 사용하며, CPU 타일링과 GPU/가속기 블록-배치-스레드 구성 방식을 모두 지원한다.
• 핵심 커널은 이식 가능하다: 새로운 하드웨어에 맞게 단 하나의 루틴만 다시 작성하면 되며, 이로써 CPU, OpenCL, CUDA 장치 간 성능 이식성 확보가 가능하다.

실험 결과

연구 질문

• RQ1 임의의 메쉬 유형, 이산화, 공간 차원을 지원하면서도 성능을 저하시키지 않는 단일 통합 잔차 커널을 설계할 수 있는가?
• RQ2 응용 프로그래머가 저수준 순회 코드를 작성하지 않더라도 고성능 메모리 액세스 패턴, 벡터화, 스레딩을 어떻게 달성할 수 있는가?
• RQ3 하드웨어 특화 최적화를 단일 커널에 고립함으로써 얼마나 높은 성능 이식성을 달성할 수 있는가?
• RQ4 이 방법은 고차수 이산화 및 복잡한 물리 법칙(예: 플라스틱성, 쌍곡형 보존 법칙)을 유지하면서도 높은 성능을 유지할 수 있는가?
• RQ5 전통적인 어셈블된 행렬 방법과 비교해 성능 및 메모리 대역폭 측면에서 이 방법은 어떠한가?

주요 결과

• 통합 잔차 커널은 첫 번째 차수 유한요소 문제에서 NVIDIA GTX580에서 300 GFLOPS를 달성하여 높은 산술 집약성과 효율적인 메모리 액세스를 입증한다.
• 행렬 자유 잔차 평가는 고차수 이산화에서 특히 두드러지게, 어셈블된 행렬 방법 대비 메모리 대역폭 요구량을 크게 감소시킨다.
• 체적 요소의 점별 함수와 기저 함수에 대한 완전한 벡터화를 가능하게 하여 현대 컴파일러와 가속기에서 데이터 수준 병렬성을 효과적으로 활용할 수 있다.
• 동일한 핵심 커널은 CPU, OpenCL, CUDA로 컴파일 가능하여, 최소한의 코드 변경으로 다양한 하드웨어 플랫폼 간 성능 이식성을 확보한다.
• 통합된 통합을 통해 면에 대한 통합을 일반화하고 순회 모델을 재구성 및 리만 해법기능을 포함하도록 확장함으로써 복잡한 물리 법칙(예: 쌍곡형 보존 법칙)을 지원할 수 있다.
• 변수 순서의 텐서 곱 이산화에 대해 libMesh와 Deal.II의 전통적 구현보다 성능이 뛰어나며, 더 단순하고 유지보수가 쉬운 코드로 구현 가능하다.