[论文解读] Adaptive Aggregation Based Domain Decomposition Multigrid for the Lattice Wilson Dirac Operator

Andreas Frommer, Karsten Kahl+3 more|arXiv (Cornell University)|Mar 6, 2013

Advanced Numerical Methods in Computational Mathematics参考文献 30被引用 11

一句话总结

本论文提出DD-αAMG，一种新颖的基于自适应聚合的区域分解多网格方法，用于求解格点QCD中的格点威尔逊狄拉克算子。通过将区域分解作为平滑器与自适应代数多网格层次结构构建相结合，该方法实现了显著的加速——相比不精确降噪方法最高达1.43倍，且在8,192个核心上求解速度提升2–3倍，同时降低了设置成本并支持递归多网格循环。

ABSTRACT

In lattice QCD computations a substantial amount of work is spent in solving discretized versions of the Dirac equation. Conventional Krylov solvers show critical slowing down for large system sizes and physically interesting parameter regions. We present a domain decomposition adaptive algebraic multigrid method used as a precondtioner to solve the "clover improved" Wilson discretization of the Dirac equation. This approach combines and improves two approaches, namely domain decomposition and adaptive algebraic multigrid, that have been used seperately in lattice QCD before. We show in extensive numerical test conducted with a parallel production code implementation that considerable speed-up over conventional Krylov subspace methods, domain decomposition methods and other hierarchical approaches for realistic system sizes can be achieved.

研究动机与目标

• 通过为威尔逊狄拉克算子开发一种稳健且可扩展的预条件子，解决格点QCD模拟中的临界减速问题。
• 克服传统Krylov求解器及现有预条件子（如奇偶、降噪）仍存在的临界减速问题。
• 将区域分解作为平滑器集成到自适应代数多网格中，以改善并行可扩展性并减少全局通信。
• 通过降低粗网格求解的精度要求，减少设置时间并支持递归多网格循环，与不精确降噪方法不同。
• 通过在大规模真实格点配置上使用生产级并行实现，展示该方法的卓越性能。

提出的方法

• 提出一种使用区域分解（DD）作为平滑器的多网格框架，取代传统的基于Krylov的平滑器，以提升并行性并减少通信。
• 通过保持Γ₅对称性并基于测试向量使用自适应插值，将基于聚合的代数多网格（AMG）框架适配至格点QCD。
• 提出一种新的自适应设置策略，通过以较低精度计算粗网格算子，实现更快的设置过程并支持递归多网格循环。
• 采用两层方法，其中粗网格系统被近似求解，使该方法可扩展至完整多网格循环。
• 在超级计算机（如Juropa）上使用MPI及混合OpenMP+MPI，在并行、生产级代码库中实现该方法。
• 将不精确降噪框架作为参考，但通过降低粗网格求解精度并支持递归性，将其重新构建成真正的多网格方法。

实验结果

研究问题

• RQ1 区域分解能否在格点威尔逊狄拉克算子的代数多网格中有效用作平滑器，以提升可扩展性并减少通信？
• RQ2 所提出的自适应设置策略在设置成本和收敛速率方面与现有AMG及不精确降噪方法相比如何？
• RQ3 与传统Krylov求解器及现有预条件子相比，新方法在多大程度上减少了临界减速？
• RQ4 在不降低收敛性的情况下，能否以较低精度执行粗网格求解，从而支持递归多网格循环？
• RQ5 在拥有数千个CPU核心的大规模真实格点配置上，该方法实现了多大的性能提升？

主要发现

• 在128×64³的格点、条件数较差的规范配置下，DD-αAMG相比不精确降噪方法实现了1.43倍的加速，且设置和求解时间均减少40%以上。
• 在8,192个核心上，DD-αAMG的求解速度比标准AMG快2–3倍，求解时间降至1.82秒，而AMG的求解时间仍为5.51秒，且设置成本相近。
• 在8,192个核心上，该方法将设置时间减少至27.7秒，而默认AMG设置需89.9秒，同时每轮求解仅需10–11次GMRES迭代。
• 区域分解平滑显著减少了全局通信，从而在高核心数下展现出更优的强可扩展性。
• 自适应设置阶段显著快于传统AMG方法，后者需通过BiCGStab方法高精度近似特征向量。
• 即使粗网格求解精度降低，DD-αAMG仍保持稳健的收敛性，证明了递归多网格循环的可行性。