[논문 리뷰] Improving computational efficiency of Monte-Carlo simulations with variance reduction

A Turner, Andrew Davis|arXiv (Cornell University)|2013. 09. 24.

Nuclear reactor physics and engineering참고 문헌 6인용 수 7

한 줄 요약

이 논문은 병렬 계산 환경에서 '긴 역사'(long histories)로 인한 성능 저하를 완화하기 위해 몬테카를로 시뮬레이션에서 동적 분산 감소 기법을 제안한다. 큰 무게 편차가 발생할 경우 적응적으로 가중치 윈도우를 조정함으로써 병렬 비효율성을 줄이며, ITER와 같은 큰 토카막 모델에서 성능을 두 배로 높인다. 결과에 편향을 주지 않으면서도, 복합적인 fusion 반응로 기하구조의 빠르고 확장 가능한 시뮬레이션을 가능하게 한다. 이는 스트리밍과 깊은 관통 효과를 동시에 고려한 경우에 유용하다.

ABSTRACT

CCFE perform Monte-Carlo transport simulations on large and complex tokamak models such as ITER. Such simulations are challenging since streaming and deep penetration effects are equally important. In order to make such simulations tractable, both variance reduction (VR) techniques and parallel computing are used. It has been found that the application of VR techniques in such models significantly reduces the efficiency of parallel computation due to 'long histories'. VR in MCNP can be accomplished using energy-dependent weight windows. The weight window represents an 'average behaviour' of particles, and large deviations in the arriving weight of a particle give rise to extreme amounts of splitting being performed and a long history. When running on parallel clusters, a long history can have a detrimental effect on the parallel efficiency - if one process is computing the long history, the other CPUs complete their batch of histories and wait idle. Furthermore some long histories have been found to be effectively intractable. To combat this effect, CCFE has developed an adaptation of MCNP which dynamically adjusts the WW where a large weight deviation is encountered. The method effectively 'de-optimises' the WW, reducing the VR performance but this is offset by a significant increase in parallel efficiency. Testing with a simple geometry has shown the method does not bias the result. This 'long history method' has enabled CCFE to significantly improve the performance of MCNP calculations for ITER on parallel clusters, and will be beneficial for any geometry combining streaming and deep penetration effects.

연구 동기 및 목표

• 융합 반응로 기하구조의 병렬 몬테카를로 시뮬레이션에서 긴 역사로 인한 성능 저하 문제를 해결하기 위해.
• 정확도를 훼손하지 않으면서도 분산 감소 시뮬레이션의 계산 효율성을 유지하기 위해.
• 고성능 컴퓨팅 클러스터에서 병렬 처리 시간을 줄이기 위해 동적 가중치 윈도우 조정 전략을 개발하기 위해.
• ITER와 같은 큰 복잡한 토카막 모델에 대해 확장 가능하고 실행 가능한 몬테카를로 시뮬레이션을 가능하게 하기 위해.
• 깊은 관통 및 스트리밍 상황에서 분산 감소 효과와 병렬 실행 효율성 간의 균형을 맞추기 위해.

제안 방법

• 방법은 입자 이동 중 큰 무게 편차가 감지될 경우 MCNP에서 에너지에 따라 가변적인 가중치 윈도우를 동적으로 조정한다.
• 과도한 분할과 긴 역사 방지를 위해 분산 감소를 탈최적화하여 가중치 윈도우 경계를 느슨하게 조정한다.
• 입자 무게가 예상 평균에서 크게 벗어날 경우, 장기적인 계산 경로의 가능성이 있음을 나타내어 조정을 유도한다.
• 시뮬레이션의 통계적 정합성을 유지하면서도, 개별 프로세스가 계산 시간을 지배하는 것의 가능성을 줄인다.
• 알고리즘은 MCNP의 수정된 버전에 통합되어 시뮬레이션 실행 중 실시간 적응이 가능하도록 한다.
• 방법은 결과에 편향을 유도하지 않는지 확인하기 위해 단순 기하구조에서 테스트되었다.

실험 결과

연구 질문

• RQ1 동적 가중치 윈도우 조정은 분산 감소를 적용한 몬테카를로 시뮬레이션에서 병렬 효율성에 어떤 영향을 미치는가?
• RQ2 분산 감소로 인해 발생하는 긴 역사 문제를 정확도를 저하시키지 않고 완화할 수 있는가?
• RQ3 복잡한 토카막 모델에서 분산 감소 성능과 병렬 확장성 간의 상충 관계는 어떠한가?
• RQ4 가중치 윈도우의 동적 적응이 시뮬레이션의 통계적 편향을 유지하는가?
• RQ5 이 방법은 ITER와 같은 대규모 fusion 반응로 시뮬레이션에서 성능을 어느 정도 향상시킬 수 있는가?

주요 결과

• 동적 가중치 윈도우 방법은 몬테카를로 시뮬레이션에서 긴 역사 발생 빈도를 줄여 병렬 효율성을 크게 향상시킨다.
• 단순 기하구조에서의 테스트를 통해 이 방법이 시뮬레이션 결과에 편향을 유도하지 않음을 확인했다.
• ITER와 같은 큰 토카막 모델에서 이 방법은 시뮬레이션 속도를 두 배로 높이는 데 성공했다.
• 고편차 상황에서 분산 감소를 탈최적화함으로써, 병렬 프로세서 간의 계산 부하 불균형을 줄였다.
• 이 방법은 스트리밍과 깊은 관통 효과가 동시에 발생하는 상황에서 특히 효과적이며, 이는 fusion 반응로 설계에서 흔한 특성이다.
• 이 기법은 일반화 가능하며, 분산 감소와 효율적인 병렬 실행을 동시에 필요로 하는 모든 복잡한 기하구조에 유용하다.