[論文レビュー] Application of GPUs for the Calculation of Two Point Correlation Functions in Cosmology

Rafael Ponce, Miguel Cárdenas‐Montes+3 more|arXiv (Cornell University)|Apr 30, 2012

Scientific Research and Discoveries被引用数 12

ひとこと要約

本稿では、共通のメモリとアトミック演算を活用してペアカウントを高速化する、CUDAベースのGPU実装による宇宙論的二点相関関数（w(θ)）の計算のためのLand-Szalay推定量を提示する。この手法は、CPU計算と比較して100倍の高速化を達成し、統計的偏差は無視できるほど小さく、今後の宇宙論的調査における大規模構造の効率的解析を可能にする。

ABSTRACT

In this work, we have explored the advantages and drawbacks of using GPUs instead of CPUs in the calculation of a standard 2-point correlation function algorithm, which is useful for the analysis of Large Scale Structure of galaxies. Taking into account the huge volume of data foreseen in upcoming surveys, our main goal has been to accelerate significantly the analysis codes. We find that GPUs offer a 100-fold increase in speed with respect to a single CPU without a significant deviation in the results. For comparison's sake, an MPI version was developed as well. Some issues, like code implementation, which arise from using this option are discussed.

研究の動機と目的

• 今後の高容量の調査に応えるために、大規模な宇宙論的銀河カタログの二点相関関数（2pcf）の計算を高速化すること。
• オブジェクト数に比例してO(N²)のスケーリングを示す2pcf計算の計算ボトルネックを解消すること。
• GPUの並列処理を活用したスケーラブルな解決策として、現代の宇宙論的調査で想定される膨大なデータ量を処理する方法を検討すること。
• GPUの結果を標準的なCPU実装と比較して検証することで、宇宙論的分散の範囲内で統計的に一貫性があることを確認し、数値的正確性を保証すること。

提案手法

• GPUアーキテクチャの並列性を最大限に活かすために、CUDAを用いてw(θ)のLandy-Szalay推定量を実装した。
• 共有メモリを用いてドット積と逆余弦演算による角度距離の計算を効率化し、グローバルメモリへのアクセスを削減した。
• 複数のスレッドブロックで並列に実行されるヒストグラムカウント（DD, DR, RR）の安全な蓄積を実現するため、共有メモリ内でのアトミック演算を適用した。
• 競合状態を避けるために、共有メモリからの部分ヒストグラムをグローバルメモリにアトミック更新で統合した。
• 帯域幅と負荷分散を最大化するため、3つのGPUを用いたマルチGPU戦略を検討した（DD/RRに2台、DRに1台を割り当てた）。
• 公開済みのMICEシミュレーション銀河カタログを用いて実装を検証し、標準的なCPUベースのC言語実装と結果を比較した。

実験結果

リサーチクエスチョン

• RQ1 GPUアクセラレーションにより、二点相関関数の計算時間を著しく短縮できるか、かつ正確性に影響を与えないか？
• RQ2 CUDAベースのGPU実装は、単一のCPUおよびMPIベースの分散CPU実装と比較して、性能にどのような差異を示すか？
• RQ3 共有メモリの使用やアトミック演算といった、GPU最適化技術が2pcf計算におけるヒストグラム蓄積をどのように効率化するか？
• RQ4 マルチGPU構成は、大規模2pcf計算において、どの程度性能を向上させられるか？
• RQ5 GPU実装の結果は、基準となるCPUコードと統計的にどの程度一致するか、特に残差と宇宙論的分散の観点から検討する。

主な発見

• C2050 GPUを用いたGPU実装は、単一CPUと比較して164倍の高速化を達成した。1.72×10⁶個のオブジェクトに対して、CPUでの実行時間は約5.76×10⁵秒から、GPUでは約3.51×10³秒に短縮された。
• 最大のカタログ（6.89×10⁶個のオブジェクト）に対しては、GPU版は5.61×10⁴秒（約1.56時間）で完了したが、CPUでは9.22×10⁶秒（約106日）を要した。
• GPUとCPUの結果の残差は無視できるほど小さく、予想される宇宙論的分散の範囲内に収まっており、数値的正確性が確認された。
• GTX295およびC1060 GPUは、CPUと比較して約100倍の高速化を達成し、複数のカタログサイズにわたり一貫した性能を示した。
• マルチGPU構成により、DD/RRとDRのタスクを別々のGPUに分散させることで、効率が向上し、最適な負荷分散が実現された。
• 64ノードを超えるMPI環境では最終的にGPU性能を上回るが、通常の調査規模の解析においては、GPUソリューションは非常に競争力があり、エネルギー効率も優れている。