[论文解读] Finding Neighbors in a Forest: A b-tree for Smoothed Particle Hydrodynamics Simulations

Aurélien Cavelan, Rubén M. Cabezón+2 more|arXiv (Cornell University)|Oct 7, 2019

Fluid Dynamics Simulations and Interactions参考文献 23被引用 12

一句话总结

本文提出 $b$-tree，一种用于光滑粒子流体动力学（SPH）模拟的新型自适应树结构，通过采用高且动态调整的分支因子以最小化树深度。与八叉树相比，在均匀分布下实现 $O(n)$ 的邻居查找复杂度（而非 $O(nar{log} n)$），$b$-tree 将树构建速度提升至多 12 倍，邻居查找速度提升 1.6 倍，在实际 SPH 代码（SPHYNX）中最高可实现 5 倍加速。

ABSTRACT

Finding the exact close neighbors of each fluid element in mesh-free computational hydrodynamical methods, such as the Smoothed Particle Hydrodynamics (SPH), often becomes a main bottleneck for scaling their performance beyond a few million fluid elements per computing node. Tree structures are particularly suitable for SPH simulation codes, which rely on finding the exact close neighbors of each fluid element (or SPH particle). In this work we present a novel tree structure, named extit{$b$-tree}, which features an adaptive branching factor to reduce the depth of the neighbor search. Depending on the particle spatial distribution, finding neighbors using ree has an asymptotic best case complexity of $O(n)$, as opposed to $O(n \log n)$ for other classical tree structures such as octrees and quadtrees. We also present the proposed tree structure as well as the algorithms to build it and to find the exact close neighbors of all particles. We assess the scalability of the proposed tree-based algorithms through an extensive set of performance experiments in a shared-memory system. Results show that b-tree is up to $12 imes$ faster for building the tree and up to $1.6 imes$ faster for finding the exact neighbors of all particles when compared to its octree form. Moreover, we apply b-tree to a SPH code and show its usefulness over the existing octree implementation, where b-tree is up to $5 imes$ faster for finding the exact close neighbors compared to the legacy code.

研究动机与目标

• 解决大规模粒子数下 SPH 模拟中因精确邻居查找导致的性能瓶颈。
• 降低无网格 SPH 方法中邻居查找的计算成本，尤其在非均匀和动态粒子分布下。
• 设计一种最小化树深度、加速邻居查找，同时保持负载均衡与内存效率的树结构。
• 通过优化树构建与邻居查找算法，提升共享内存系统上 SPH 模拟的可扩展性与性能。
• 将新型树结构集成至生产级天体物理 SPH 代码中，以验证其在真实场景下的性能提升。

提出的方法

• 提出一种新型树结构 $b$-tree，其分支因子具有自适应性，能根据粒子密度与空间分布动态调整。
• 采用规则网格映射实现恒定时间（$O(1)$）的单元查找，支持在树构建与遍历过程中快速访问子单元。
• 施加两个约束：每个单元（桶）的最大粒子数与最大空子单元数，以控制生长并防止内存过度使用。
• 采用受分块矩阵乘法启发的分块、缓存友好型方法实现树构建与邻居查找算法，以提升数据局部性。
• 应用两项关键优化：沿树遍历曲线对粒子进行内存重排，以及分块循环调度，以增强缓存复用与负载均衡。
• 将 $b$-tree 集成至 SPHYNX 代码库，并基于真实 SPH 测试用例，与原有八叉树实现进行性能对比。

实验结果

研究问题

• RQ1 具有自适应高分支因子的树结构能否使 SPH 模拟中的邻居查找渐近时间复杂度低于 $O(n\log n)$？
• RQ2 在均匀与非均匀粒子分布下，$b$-tree 在树构建与邻居查找时间上相较于经典八叉树表现如何？
• RQ3 在真实 SPH 模拟代码（如 SPHYNX）中，$b$-tree 能在多大程度上提升性能？
• RQ4 OpenMP 调度策略的选择如何影响 $b$-tree 邻居查找工作负载中的负载均衡与性能表现？
• RQ5 在不同粒子密度区域与模拟工作负载下，$b$-tree 是否能保持高性能与可扩展性？

主要发现

• 在三维均匀分布的粒子集合中，$b$-tree 在树构建与邻居查找上均实现 $O(n)$ 复杂度，而八叉树为 $O(n\log n)$。
• 由于递归深度降低与重分布步骤减少，$b$-tree 的构建速度比八叉树最高快 12 倍。
• 在非均匀分布下，$b$-tree 的邻居查找性能比八叉树最高快 1.6 倍。
• 在 SPHYNX 代码中集成后，$b$-tree 将 FindNeighbors 内核的执行速度相比原有八叉树实现最高提升 5 倍。
• 无论采用何种 OpenMP 调度策略，$b$-tree 均优于八叉树，尽管动态调度虽提升负载均衡但引入显著开销。
• 对 $b$-tree 算法采用分块、缓存感知的实现方式，显著提升了数据局部性并降低了内存访问延迟，从而贡献了性能增益。