[논문 리뷰] Multicore Homology via Mayer Vietoris

Ryan H. Lewis, Afra Zomorodian|arXiv (Cornell University)|2014. 07. 08.

Topological and Geometric Data Analysis참고 문헌 14인용 수 9

한 줄 요약

이 논문은 매이어-비에토리스 원리를 사용하여 대규모 세포 복합체의 지속 호몰로지(persistent homology)를 계산하기 위한 두 가지 병렬 알고리즘을 제안한다. 복합체는 그래프 분할을 통해 겹치는 부분공간들로 분해되며, 하위복합체들을 체계적으로 조직하기 위해 매이어-비에토리스 블로업 복합체를 구성한다. 각 조각에서 병렬로 호몰로지 계산을 수행하고 결과를 순차적으로 결합한다. 11개의 코어를 사용하여 4600만 개의 단체가 있는 10차원 복합체에서 최대 8배의 성능 향상을 달성하였으며, 다중코어 시스템에서 강력한 확장성을 입증하였다.

ABSTRACT

In this work we investigate the parallel computation of homology using the Mayer-Vietoris principle. We present a two stage approach for parallelizing persistence. In the first stage, we produce a cover of the input cell complex by overlapping subspaces. In the second stage, we use this cover to build the Mayer-Vietoris blowup complex, a topological space, which organizes the various subspaces needed for employing the Mayer-Vietoris principle. Next, we compute the homology of each subspace in the blowup complex in parallel and then glue these results together in serial. We show how to use the persistence algorithm to organize these computations. In the first stage, any algorithm can be used to produce a cover of the input complex. We describe an algorithm for producing a cover of a space with a simple structure and bounded overlap based on graph partitions. Additionally, we present a simplistic model for the problem of finding covers appropriate for parallel algorithms and show that finding such covers is NP-Hard. Finally, we present a second parallel homology algorithm. This algorithm avoids the explicit construction of the blowup complex saving space. We implement our algorithms for multicore computers, and compare them against each other as well as existing serial and parallel algorithms with a suite of experiments. We achieve roughly 8x speedup of the homology computations on a 10-dimensional complex with about 46 million simplices using 11 cores.

연구 동기 및 목표

• 다중코어 공유 메모리 시스템에서 지속 호몰로지를 계산하기 위한 확장 가능한 병렬 알고리즘을 개발하기 위해.
• 효율적인 분해와 재조합을 위해 매이어-비에토리스 스펙트럴 시퀀스를 활용하기 위해.
• 지능적인 커버 생성과 블로업 복합체 구축을 통해 메모리 오버헤드를 최소화하고 확장성을 향상시키기 위해.
• 대규모 위상적 데이터에서 기존의 순차적 및 병렬 알고리즘과의 성능을 평가하기 위해.
• 커버 생성의 이론적 난이도를 탐색하고 실세계 적용을 위한 실용적인 히우리스틱을 제공하기 위해.

제안 방법

• 입력 세포 복합체의 커버를 생성하기 위해 그래프 분할을 사용하여 겹침이 제한되고 구조가 단순한 부분공간들로 분해한다.
• 하위복합체와 그 교차를 인코딩하여 체계적인 호몰로지 계산을 위한 매이어-비에토리스 블로업 복합체를 구성한다.
• 각 하위공간의 호몰로지를 블로업 복합체 내에서 병렬로 지속성 알고리즘을 사용하여 계산한다.
• 매이어-비에토리스 정확한 시퀀스를 사용하여 결과를 순차적으로 결합하여 전역 호몰로지를 복원한다.
• 명시적인 블로업 복합체 구축을 피함으로써 메모리 사용량을 줄이는 두 번째 공간 최적화 알고리즘을 도입한다.
• 필터링 기반 접근을 통해 병렬 감소를 가능하게 하면서도 지속 호몰로지 등가성을 유지한다.

실험 결과

연구 질문

• RQ1 매이어-비에토리스 원리는 다중코어 아키텍처에서 호몰로지 계산을 병렬화하는 데 효과적으로 적용될 수 있는가?
• RQ2 병렬 호몰로지의 최적 커버를 찾는 데 필요한 계산 복잡도는 무엇이며, 이는 실용적으로 해결 가능한가?
• RQ3 제안된 알고리즘의 성능은 실세계에서 기존의 순차적 및 병렬 방법과 비교해 볼 때 어떻게 되는가?
• RQ4 명시적인 블로업 복합체 구축을 피할 경우 성능을 손상시키지 않고 메모리 사용량을 크게 줄일 수 있는가?
• RQ5 매이어-비에토리스 프레임워크는 필터링된 복합체에서 지속 호몰로지를 유지하는 데 얼마나 확장 가능한가?

주요 결과

• 제안된 다중코어 호몰로지 알고리즘은 11개의 코어를 사용하여 10차원 복합체(4600만 개의 단체)에서 약 8배의 성능 향상을 달성하였다.
• 히우리스틱 기반 커버 생성 방법은 11개의 코어에서 약 77%의 효율성을 달성하여 강력한 확장성을 입증하였다.
• 명시적인 블로업 복합체 구축을 피하는 알고리즘은 기존 방법 대비 메모리 사용량을 크게 줄였다.
• 매이어-비에토리스 블로업 복합체는 병렬 하위복합체 계산 결과로부터 전역 호몰로지를 정확하게 재구성할 수 있도록 하였다.
• 스펙트럴 시퀀스 기반 접근은 경계 행렬의 병렬 감소를 가능하게 하였고, 지속 호몰로지의 구조를 유지하였다.
• 연구 결과, 병렬 호몰로지의 최적 커버를 찾는 것은 NP-난이도임을 입증하였으며, 이는 실용적 적용에서 히우리스틱 방법의 사용을 정당화한다.