[논문 리뷰] A Massively Parallel Algebraic Multigrid Preconditioner based on Aggregation for Elliptic Problems with Heterogeneous Coefficients

Markus Blatt, Olaf Ippisch외 1명|arXiv (Cornell University)|2012. 09. 05.

Advanced Numerical Methods in Computational Mathematics참고 문헌 28인용 수 14

한 줄 요약

이 논문은 이질적 계수를 가진 타원형 PDE에 대해 비스무스 조정을 사용한 다중 해상도 다항식 다중 격자(AMG) 조건자 기반으로 대량 병렬 처리를 수행한다. 강한 연결도 기준의 탐욕적 집합 알고리즘과 조각별 일정한 보간법을 사용하여, Blue Gene/P에서 262,144 코어까지 약한 스케일러빌리티를 달성하였으며, 10^11 개 이상의 자유도를 가진 문제를 해결하면서 낮은 메모리 사용량과 높은 시간 효율성을 유지하였다.

ABSTRACT

This paper describes a massively parallel algebraic multigrid method based on non-smoothed aggregation. It is especially suited for solving heterogeneous elliptic problems as it uses a greedy heuristic algorithm for the aggregation that detects changes in the coefficients and prevents aggregation across them. Using decoupled aggregation on each process with data agglomeration onto fewer processes on the coarse level, it weakly scales well in terms of both total time to solution and time per iteration to nearly 300,000 cores. Because of simple piecewise constant interpolation between the levels, its memory consumption is low and allows solving problems with more than 100,000,000,000 degrees of freedom.

연구 동기 및 목표

• 높은 변동성을 가진 계수를 가진 타원형 PDE에 대해 매우 확장 가능하고 메모리 효율적인 AMG 조건자를 개발한다.
• 제한된 코어당 메모리 자원을 가진 현대 슈퍼컴퓨터에서 10^11 개 이상의 자유도를 가진 대규모 문제를 해결할 수 있도록 한다.
• 거의 300,000 코어에서 시간-해결 시간 및 반복 시간 모두에 대해 약한 스케일러빌리티를 달성한다.
• 조각별 일정한 보간법을 사용하고 스무드 보간을 피하여 메모리 포트폴리오와 연산 복잡도를 최소화한다.
• 설정 단계에서의 확장성 저하 문제를 해결하기 위해 분리된 집합과 군집화된 데이터를 이용하여 조밀한 수준에서의 자료 집합을 수행한다.

제안 방법

• 고립된 계수의 강도 기준에 기반한 탐욕적 집합 알고리즘을 사용하여 고대비 계수 점프를 가로질러서는 안 되는 집합을 형성한다.
• 스무드 조정을 사용하지 않고 단순한 조각별 일정한 보간법을 사용하여 수준 간에 보간함으로써 스텐실 성장과 메모리 사용량을 줄인다.
• 각 프로세스별로 분리된 집합을 적용하고 조밀한 수준에서 자료 군집화를 수행하여 통신을 최소화하고 약한 스케일러빌리티를 지원한다.
• 비연속 인덱스 집합을 사용하여 병렬 선형 대수를 구현함으로써 데이터 분할과 연산 적용을 단순화한다.
• 기하학적 정보가 필요 없이 대수적 행렬 그래프에 기하학적 멀티그리드 유사한 조밀화를 수행한다.
• 표준 스무딩 기법(예: Gauss-Seidel)을 사용하고 집합을 통해 행렬의 계층을 유지한다.

실험 결과

연구 질문

• RQ1 비스무스 조정을 사용한 AMG 방법이 이질적 계수를 가진 타원형 문제에 대해 거의 300,000 코어까지 약한 스케일러빌리티를 달성할 수 있는가?
• RQ2 대규모 문제를 해결할 때 비스무스 조정 AMG의 메모리 소비는 전통적 AMG와 비교해 어떻게 되는가?
• RQ3 10^11 개 이상의 자유도를 가진 문제를 해결할 때 시간-해결 시간이 약한 스케일러빌리티를 얼마나 잘 유지하는가?
• RQ4 조각별 일정한 보간법과 탐욕적 집합을 사용하더라도 수렴 안정성은 유지되는가?
• RQ5 고코어 수와 코어당 제한된 메모리 자원을 가진 현대 HPC 시스템에서 이 방법은 효과적으로 확장 가능한가?

주요 결과

• 이 방법은 IBM Blue Gene/P에서 262,144 코어까지 약한 스케일러빌리티를 달성하였으며, 5.12×10^11 개의 자유도를 가진 이질적 확산 문제를 해결하였다.
• 시간-해결 시간이 효율적으로 스케일링되었으며, 64 코어에서 262,144 코어로 확장할 때 총 해결 시간이 약 1.7배로 증가하는 데 그쳤다.
• 문제 해결에 필요한 메모리 포트폴리오가 매우 낮아, Blue Gene/P의 64 랙을 사용하여 10^11 개 이상의 미지수를 가진 문제를 해결할 수 있었다.
• 반복 시간이 잘 스케일링되었으며, 이질적 문제의 경우 반복 시간이 512 코어에서 0.15초에서 262,144 코어에서 5.37초로 약간 증가하는 데 그쳤다.
• 설정 단계는 순차적 그래프 분할로 인해 여전히 병목 현상이 있었지만, 총 시간-해결 시간은 여전히 잘 스케일링되었으며, 유사 하드웨어에서 이전의 AMG 구현보다 뛰어난 성능을 보였다.
• 멀티코어 리눅스 클러스터에서 이 방법은 512 코어에서 27%의 효율성을 달성하여, 메모리 대역폭 제약에도 불구하고 강한 스케일러빌리티를 보였다.