[논문 리뷰] Emerging Computing Technologies in High Energy Physics

A. Farbin|ArXiv.org|2009. 10. 19.

Distributed and Parallel Computing Systems참고 문헌 8인용 수 3

한 줄 요약

이 논문은 고에너지물리학(HEP) 계산에서의 핵심적 병목 현상, 특히 LHC에서 몬테카를로 시뮬레이션과 데이터 처리에 대한 막대한 수요를 해결하기 위해 최근 등장한 계산 기술—특히 GPU 계산, 가상화, 클라우드 컴퓨팅—을 활용할 것을 제안한다. GPGPU를 통해 계산 집약적인 작업인 검출기 시뮬레이션과 이벤트 재구성의 성능을 향상시킴으로써, 저자들은 조그만 GPU 가속화 조차도 자원 요구량을 크게 줄이고 분석 처리량을 향상시켜, 제한된 Tier-2 계산 자원에도 불구하고 더 정확한 물리 측정을 가능하게 함을 입증한다.

ABSTRACT

While in the early 90s High Energy Physics (HEP) lead the computing industry by establishing the HTTP protocol and the first web-servers, the long time-scale for planning and building modern HEP experiments has resulted in a generally slow adoption of emerging computing technologies which rapidly become commonplace in business and other scientific fields. I will overview some of the fundamental computing problems in HEP computing and then present the current state and future potential of employing new computing technologies in addressing these problems.

연구 동기 및 목표

• 고에너지물리학(HEP)에서의 계산 자원 부족 문제, 특히 LHC에서의 몬테카를로 시뮬레이션과 데이터 분석을 위한 자원 부족 문제를 해결하기 위해.
• HEP에서 자원 제약를 완화할 수 있는 잠재적 기술—GPGPU, 가상화, 클라우드 컴퓨팅 등—을 식별하고 평가하기 위해.
• GPU 가속화가 검출기 시뮬레이션과 이벤트 재구성의 계산 부담을 줄여 물리 분석을 위한 자원을 확보할 수 있도록 하는 방법을 입증하기 위해.
• Geant4와 같은 기존 HEP 소프트웨어 스택에 GPGPU를 통합하기 위한 실용적 전략을 제안하기 위해, 특히 행렬 원소 방법과 다변량 분석과 같은 계산 집약적인 작업을 대상으로 하여.
• 가상화 및 클라우드 기반 솔루션의 도입을 통해 HEP 협력 프로젝트 간 소프트웨어 이식성과 자원 활용도를 향상시키기 위해.

제안 방법

• 몬테카를로 통합, 이벤트 재구성, 검출기 시뮬레이션 등의 계산 집약적인 HEP 작업을 가속화하기 위해 일반 목적의 그래픽 처리 장치(GPGPU)를 활용한다.
• 운영체제와 종속성 등을 포함한 완전한 소프트웨어 환경을 포괄하는 이식 가능한 이미지로 패키징함으로써, 다양한 하드웨어 환경 간 일관되고 재현 가능한 실행을 가능하게 하는 가상화를 사용한다.
• 클라우드 컴퓨팅 플랫폼을 활용해 필요에 따라 CPU, 스토리지, 대역폭을 동적으로 할당함으로써, 고정된 계층 구조의 그리드 인fra구조에 대한 의존도를 낮춘다.
• CPU가 데이터를 준비하고 GPU 메모리로 전송한 후 병렬 커널을 실행하고 결과를 반환하는 공처리자 모델을 구현함으로써 지연을 최소화하고 처리량을 극대화한다.
• 데이터 요소 간 산술 강도가 높고, 데이터 국소성이 높으며, 상호 독립적인 특성을 보이는 HEP 응용 프로그램에 데이터 병렬 프로그래밍 모델을 적용한다.
• 특정 계산(예: 자기장 외삽)을 다수의 CPU 스레드가 오프로드하여 GPU 가속 서비스를 활용함으로써 성능 향상을 도모하는 하이브리드 접근 방식을 탐색한다.

실험 결과

연구 질문

• RQ1 GPGPU 가속화가 HEP 실험에서 전체 및 빠른 검출기 시뮬레이션의 계산 비용을 얼마나 줄일 수 있는가?
• RQ2 가상화가 HEP 계산 환경에서 소프트웨어 배포 및 재현 가능성에 얼마나 기여하는가?
• RQ3 클라우드 컴퓨팅과 즉각적인 자원 할당이 제한된 Tier-2 계산 자원으로 인해 발생하는 HEP 분석 병목 현상을 완화할 수 있는가?
• RQ4 GPU 기반 병렬 처리를 통해 핵심 HEP 작업—행렬 원소 방법과 다변량 분석—에서 달성 가능한 성능 향상은 어느 정도인가?
• RQ5 Geant4와 같은 기존 HEP 프레임워크에서 GPGPU를 완전히 활용하기 위해 필요한 아키텍처 및 소프트웨어 변경 사항은 무엇인가?

주요 결과

• ATLAS Tier-2 계산 모델은 시뮬레이션에 약 50%의 자원만 할당할 수 있으며, 이는 수집된 데이터의 약 20%에 해당하는 완전 시뮬레이션 데이터로 제한되어 정밀한 물리 비교를 방해한다.
• 조그만 GPGPU 가속화조차도 검출기 시뮬레이션과 재구성에 대한 CPU 자원 요구량을 크게 줄여 물리 분석을 위한 자원을 확보할 수 있다.
• GPGPU는 높은 산술 강도와 데이터 병렬성 덕분에, 행렬 원소 방법, 최대우도 피팅, 다변량 분석과 같은 계산 집약적인 HEP 작업에 매우 적합하다.
• GPGPU의 실용적 도입은 재구성 및 이벤트 생성 분야에서는 근래에 가능하지만, Geant4에 완전 통합하기 위해서는 소프트웨어 대대적 재작성 또는 차세대 프레임워크로의 이관이 필요하다.
• 가상화 기술은 물리학자들이 사전 패키징된, 자가 포함된 소프트웨어 환경을 배포함으로써 설정 시간을 줄이고 다양한 컴퓨팅 플랫폼 간 재현 가능성을 향상시킨다.
• 클라우드 및 가상화 기술은 전통적인 그리드 컴퓨팅보다 더 넓은 범위에서 도입되고 있으며, 더 유연하고 확장성 있고 접근성이 높은 HEP 컴퓨팅 모델로의 전환을 시사한다.