[논문 리뷰] Towards the automation of Monte Carlo simulation on GPU for particle physics processes

Stefano Carrazza, Juan Cruz–Martinez외 2명|arXiv (Cornell University)|2021. 05. 21.

Distributed and Parallel Computing Systems인용 수 4

한 줄 요약

이 논문은 MadGraph5_aMC@NLO를 GPU 최적화된 라이브러리 VegasFlow와 PDFFlow와 통합하여 GPU 가속을 지원하는 몽테 카를로 시뮬레이션을 자동화하는 새로운 프레임워크인 MadFlow를 제시한다. 이는 CPU 및 GPU에서 최초 주기의 행렬 원소와 양상 공간 생성을 엔드 투 엔드로 수행할 수 있게 하며, 표준 MC 도구와 통계적으로 일치하는 결과를 도출하고, 정확도를 0.02% 이내로 유지하면서도 GPU 하드웨어에서 최대 10배의 성능 향상을 보여준다.

ABSTRACT

In this proceedings we present MadFlow, a new framework for the automation of Monte Carlo (MC) simulation on graphics processing units (GPU) for particle physics processes. In order to automate MC simulation for a generic number of processes, we design a program which provides to the user the possibility to simulate custom processes through the MadGraph5_aMC@NLO framework. The pipeline includes a first stage where the analytic expressions for matrix elements and phase space are generated and exported in a GPU-like format. The simulation is then performed using the VegasFlow and PDFFlow libraries which deploy automatically the full simulation on systems with different hardware acceleration capabilities, such as multi-threading CPU, single-GPU and multi-GPU setups. We show some preliminary results for leading-order simulations on different hardware configurations.

연구 동기 및 목표

• 고에너지 물리학에서 몽테 카를로 시뮬레이션의 증가하는 계산 요구를 해결하기 위해 GPU 가속을 가능하게 하기 위해.
• 임의의 과정에 대해 하드웨어 가속기에서 파arton 수준의 행렬 원소와 양상 공간 생성을 자동화된 방식으로 구현하기 위해.
• 기존의 HEP 도구들인 MadGraph5_aMC@NLO와 원활하게 통합되는 유지보수 용이성과 개발자 우호적인 프레임워크를 제공하기 위해.
• 저수준의 하드웨어 프로그래밍 없이도 CPU, 단일 GPU, 다중 GPU 환경에서 고성능이고 이식 가능한 시뮬레이션을 가능하게 하기 위해.
• 향후 NLO 계산 지원과 딥러닝 기반 시뮬레이션 기법과의 통합을 위한 기반을 마련하기 위해.

제안 방법

• 프레임워크는 표준 형식으로 과정별로 행렬 원소와 양상 공간 표현식을 생성하기 위해 MadGraph5_aMC@NLO를 사용한다.
• Feynman 규칙를 텐서플로우 호환 연산으로 변환하는 커스터마이징된 파이썬 플러그인을 사용하여 이러한 표현식을 GPU 호환 형식으로 내보낸다.
• 파동함수와 결합 상수에서 발생하는 조건문을 처리하기 위해 텐서플로우 제어 흐름을 사용하여 행렬 원소 평가를 벡터화한다.
• 양상 공간 생성과 운동량 평가가 GPU에서 VegasFlow를 사용하여 수행되며, 하드웨어 가속을 지원하는 고차원 적분을 수행한다.
• 파르톤 분포 함수는 PDFFlow를 통해 평가되며, 이는 빠른 PDF 보간을 위한 GPU 최적화 라이브러리이다.
• 전체 파이프라인은 GPU에서 완전히 실행되어 CPU-GPU 데이터 전송을 최소화하고 엔드 투 엔드 가속을 가능하게 한다.

실험 결과

연구 질문

• RQ1 임의의 입자물리 과정에 대해 GPU용 몽테 카를로 시뮬레이션을 생성하기 위한 완전 자동화된 파이프라인이 수립될 수 있는가?
• RQ2 GPU 가속 시뮬레이션의 정확도는 표준 CPU 기반 결과와 비교해 어떤가? 특히 단면적 예측 측면에서.
• RQ3 최초 주기 과정에 대해 GPU 가속이 CPU-only 실행 대비 얼마나 성능 향상을 이룰 수 있는가?
• RQ4 CPU 기반 통합기 대신 GPU 최적화된 통합기를 사용할 경우 수치적 안정성과 정확도를 유지할 수 있는가?
• RQ5 다중 GPU 설정을 포함한 다양한 하드웨어 환경에서 프레임워크의 성능 이식성은 어떠한가?

주요 결과

• MadFlow 프레임워크는 표준 MG5_aMC 결과와 통계적으로 일치하며, 14 TeV에서 글루온-글루온 융합의 미분 단면적에서 상대 오차가 0.02% 미만임을 확인하였다.
• 단일 NVIDIA Titan V GPU를 사용한 GPU 가속 구현은 CPU-only 버전의 MG5_aMC 대비 최대 10배의 성능 향상을 달성하였다.
• CPU-only 버전의 VegasFlow는 우수한 병렬화 덕분에 원래의 MG5_aMC 통합기보다도 빠르게 작동하여, 기반 라이브러리 설계의 효율성을 확인하였다.
• 모든 벤치마크 계산이 GPU에서 완전히 수행되었으며, 비동기 CPU 평가 없이도 실행되어 GPU 전용 오프로딩 기능을 입증하였다.
• 복잡한 조건부 논리가 포함된 파동함수에서의 행렬 원소 평가를 성공적으로 처리하여, 비트리비얼한 HEP 앰플리튜드에 대한 GPU 이식 가능성의 타당성을 입증하였다.
• 해당 결과는 분석적 행렬 원소 생성에서 GPU 실행에 이르는 전체 파이프라인의 유효성을 검증하였으며, 향후 NLO 및 딥러닝 기반 시뮬레이션 확장의 길을 열었다.