[论文解读] Ipanema-\beta : tools and examples for HEP analysis on GPU

D. Martínez Santos, P. Álvarez Cartelle+5 more|arXiv (Cornell University)|Jun 5, 2017

Statistical Methods and Bayesian Inference被引用 4

一句话总结

Ipanema-𝛽 提供了一个基于 Python 和 CUDA 的 GPU 加速框架，用于高能物理（HEP）统计分析，支持快速的非捆绑似然拟合、MCMC 采样、伪实验生成和卷积技术。该框架利用 pyCUDA、iminuit 和 reikna，相较于基于 CPU 的方法实现了高达 100 倍的加速，支持符号运算和复杂概率密度函数（PDF）的自动代码生成，例如 $B_s^0 \to J/\psi\,KK$ 衰变中的 PDF。

ABSTRACT

We present here a set of examples, classes and tools which can be used for statistical analysis in Graphics Processing Units (GPU). This includes binned and unbinned maximum likelihood fits, pseudo-experiment generation, convolutions, Markov Chain Monte Carlo method implementations, and limit setting techniques.

研究动机与目标

• 通过 GPU 加速实现在高能物理（HEP）中的高性能统计分析。
• 为基于 GPU 的似然拟合、MCMC 和伪实验生成提供灵活且可重用的框架。
• 通过符号运算和 CUDA 代码生成，支持复杂的真实 HEP 分析，如时间依赖的 $B_s^0 \to J/\psi\,KK$ 衰变。
• 通过模块化、可扩展的工具，弥合高级 Python 工作流与底层 GPU 内核之间的差距。
• 为 HEP 研究人员提供实用且可投入生产的工具包，以在 GPU 硬件上加速似然拟合与参数扫描。

提出的方法

• 使用 pyCUDA 从 Python 编译并启动 CUDA 内核，实现概率密度函数（PDF）和似然计算的 GPU 执行。
• 通过设备函数实现信号 PDF（例如，对数归一化的高斯分布）的非捆绑最大似然拟合，并使用全局 GPU 内核并行评估似然。
• 通过 iminuit 集成 Minuit 进行最小化，似然函数 $-2\log L$ 在 GPU 上计算，以加速收敛。
• 使用 reikna 加速 GPU 数组上的线性代数和数学运算（例如，误差函数、指数函数）。
• 通过 sympy 或 Mathematica 自动从符号表达式生成 CUDA 代码，实现复杂 PDF 的 GPU 实现，例如 $B_s^0 \to J/\psi\,\phi$ 衰变中的 PDF。
• 通过 Cat 类支持多类别同时拟合，该类管理每种类别的数据和似然的 GPU 数组。

实验结果

研究问题

• RQ1 GPU 加速能否显著缩短 HEP 分析中非捆绑似然拟合的计算时间？
• RQ2 如何利用符号运算和自动代码生成在 GPU 上实现复杂、多维的 PDF？
• RQ3 与基于 CPU 的方法相比，使用 GPU 的 MCMC 采样（通过 pyMultinest）在 HEP 中的性能提升如何？
• RQ4 如何将 GPU 优化的似然评估集成到标准 HEP 拟合框架（如 Minuit）中？
• RQ5 在将真实 HEP 分析（例如 $B_s^0 \to J/\psi\,KK$）迁移到 GPU 执行时，面临哪些实际挑战及解决方案？

主要发现

• 与基于 CPU 的实现相比，该框架在非捆绑拟合中的似然评估速度最高可提升 100 倍，具体取决于数据规模和复杂度。
• 使用 pyMultinest 和 reikna 的 GPU MCMC 采样在测试示例中将参数空间探索时间减少了 10 至 50 倍。
• 通过 sympy 和 Mathematica 的符号运算可自动生成复杂 PDF 的 CUDA 内核，包括 Faddeeva 函数和时间依赖的 $B_s^0 \to J/\psi\,\phi$ 分布。
• 在 CUDA 中使用设备函数和全局内核可实现对数百万数据点的似然并行评估，同时最大限度减少 CPU-GPU 数据传输。
• 该框架支持生产级别的 HEP 分析，包括 $B_s^0 \to J/\psi\,KK$ 衰变的拟合，支持 GPU 加速的卷积和积分计算。
• 硬件基准测试显示，Tesla M2090 和 GeForce 1080 GTX 的单精度性能分别为 257 GFLOPS 和 8873 GFLOPS，支持高效的大规模拟合。