[논문 리뷰] Optimized M2L Kernels for the Chebyshev Interpolation based Fast Multipole Method

Matthias Messner, Bérenger Bramas외 2명|arXiv (Cornell University)|2012. 10. 27.

Electromagnetic Scattering and Analysis참고 문헌 13인용 수 17

한 줄 요약

이 논문은 체비셰프 보간 기반의 빠른 다중체 방법(bbFMM/dFMM)에서 다중에서 국소(M2L) 커널을 최적화하기 위해, 클러스터 쌍 별 개별 저질서 근사와 대칭 기반 순열을 도입함으로써 전처리 시간을 최대 340배 감소시키고, 최적화된 BLAS 수준의 행렬-행렬 연산을 통해 행렬-벡터 곱 연산을 4–6배 가속화함. IAblk 변종은 단일 행렬-벡터 곱에 특히 유리하며, 전처리 및 메모리 측면에서 SArcmp보다 뛰어남.

ABSTRACT

A fast multipole method (FMM) for asymptotically smooth kernel functions (1/r, 1/r^4, Gauss and Stokes kernels, radial basis functions, etc.) based on a Chebyshev interpolation scheme has been introduced in [Fong et al., 2009]. The method has been extended to oscillatory kernels (e.g., Helmholtz kernel) in [Messner et al., 2012]. Beside its generality this FMM turns out to be favorable due to its easy implementation and its high performance based on intensive use of highly optimized BLAS libraries. However, one of its bottlenecks is the precomputation of the multiple-to-local (M2L) operator, and its higher number of floating point operations (flops) compared to other FMM formulations. Here, we present several optimizations for that operator, which is known to be the costliest FMM operator. The most efficient ones do not only reduce the precomputation time by a factor up to 340 but they also speed up the matrix-vector product. We conclude with comparisons and numerical validations of all presented optimizations.

연구 동기 및 목표

• bbFMM와 dFMM의 블랙박스 FMM에서 가장 비용이 많이 드는 M2L 연산자의 고비용 전처리 비용을 줄이기 위해.
• 클러스터 상호작용의 기하학적 대칭성을 활용하여 M2L 연산자의 중복 계산과 저장을 최소화함으로써 성능을 향상시키기 위해.
• 대칭성 유도 순열을 통해 반복적인 행렬-벡터 곱 연산을 최적화된 행렬-행렬 곱 연산으로 변환함으로써 행렬-벡터 곱 연산을 가속화하기 위해.
• 부드러운(bbFMM) 및 진동하는(dFMM) 커널 시나리오에서 다양한 M2L 변종의 전처리 비용과 런타임 효율성 간의 상호 교환 관계를 평가하기 위해.
• 단일 행렬-벡터 곱(빠른 전처리)과 반복 선형 시스템 해법(빠른 M2L 적용)이라는 두 가지 다른 사용 사례에 최적화된 알고리즘 변종을 식별하기 위해.

제안 방법

• 기존 연구에서 사용된 전역 SVD 대신, 클러스터 쌍 별 개별 저질서 근사를 도입하여 각 상호작용에 최적의 압축을 달성함.
• x=0, y=0, z=0 평면에 대한 반사와 같은 공간 대칭성을 식별하고 활용하여 bbFMM의 316개의 모든 M2L 연산자를 고유한 16개의 연산자로의 순열로 표현함.
• 대칭 순열을 활용해 189개의 행렬-벡터 곱을 16개의 행렬-행렬 곱으로 전환함으로써 Intel MKL와 같은 고도로 최적화된 BLAS 라이브러리를 활용 가능하게 함.
• IAblk(개별 근사 + 대칭 기반 블로킹)와 SArcmp(부적절한 SVD 기반 M2L의 재압축)라는 두 가지 신규 변종을 제안하며, 기존 SA 방법을 모두 초월함.
• M2L 연산자를 유일하게 식별하기 위해 전이 벡터를 사용하고, 커널 유형(부드러운 또는 진동하는)을 상호작용 목록 구조와 연산자 행동에 매핑함.
• 세 가지 기하구조(sphere, oblate spheroid, prolate spheroid)를 사용하여 성능를 검증하고, 다양한 정밀도 수준에서 전처리 시간, M2L 적용 시간, 정확도를 측정함.

실험 결과

연구 질문

• RQ1 클러스터 쌍 별 개별 저질서 근사를 통해 M2L 연산자의 계산 비용을 기존 전역 SVD 기반 접근보다 낮출 수 있는가?
• RQ2 FMM 트리 구조 내 기하학적 대칭성이 전처리가 필요한 고유한 M2L 연산자의 수를 얼마나 줄일 수 있는가?
• RQ3 대칭 기반 순열은 어떻게 최적화된 행렬-행렬 연산을 가능하게 하고, 어떤 성능 향상을 가져오는가?
• RQ4 bbFMM와 dFMM에서 다양한 M2L 변종의 전처리 시간과 M2L 적용 속도 간의 상호 교환 관계는 어떠한가?
• RQ5 단일 행렬-벡터 곱과 반복 선형 시스템 해법에 대해 각각 IAblk와 SArcmp 중 어떤 변종이 최적인가?

주요 결과

• IAblk 변종은 기존 SA 방법 대비 전처리 시간을 최대 340배 감소시킴. 주로 316개에서 16개로 감소된 고유한 M2L 연산자에 기인한 대칭 기반 감소 덕분임.
• IAblk는 bbFMM에서 M2L 적용을 4–6배 가속화하고, dFMM에서는 1.2–2.7배 가속화함. BLAS 라이브러리를 통한 최적화된 행렬-행렬 연산 덕분임.
• 단일 행렬-벡터 곱에 있어서 IAblk는 최적: 전처리 시간은 0.4 s vs. SArcmp의 69.1 s이며, 총 시간은 10.4 s vs. 75.4 s임.
• 반복 선형 시스템 해법에 있어서 SArcmp는 정밀도 Acc=5일 때 약 19개의 행렬-벡터 곱 이후, Acc=6일 때 약 26개의 곱 이후 IAblk보다 빨라짐.
• IAblk 변종는 최저의 계산 비용과 메모리 프로파일을 달성하며, 비방향성 전개(bbFMM 및 저주파수 dFMM)에 특히 유리함.
• 개별 저질서 근사(IA 변종)는 전처리 및 런타임 모두에서 전역 SVD 기반 접근(SA)을 능가하며, 단일 사용 시나리오에서는 IAblk가 가장 효율적임.