[论文解读] Random Number Generators: A Survival Guide for Large Scale Simulations

Stephan Mertens|ArXiv.org|May 26, 2009

Chaos-based Image/Signal Encryption参考文献 13被引用 4

一句话总结

本文为大规模并行蒙特卡洛模拟中选择和使用伪随机数生成器（PRNG）提供了全面指南。它强调了PRNG质量、可重现性以及并行执行中的公平性的重要性，提倡在多个PRNG之间进行交叉验证，并明确记录生成器类型和种子，以确保模拟的可靠性和可重现性。

ABSTRACT

Monte Carlo simulations are an important tool in statistical physics, complex systems science, and many other fields. An increasing number of these simulations is run on parallel systems ranging from multicore desktop computers to supercomputers with thousands of CPUs. This raises the issue of generating large amounts of random numbers in a parallel application. In this lecture we will learn just enough of the theory of pseudo random number generation to make wise decisions on how to choose and how to use random number generators when it comes to large scale, parallel simulations.

研究动机与目标

• 解决在大规模并行蒙特卡洛模拟中生成高质量、可扩展随机数的日益增长的挑战。
• 突出在大规模模拟中，尤其是在并行化时，使用低质量或配置不当的PRNG所带来的风险。
• 提供选择和使用PRNG的实际指导，以确保模拟的可靠性和可重现性。
• 强调需要在不同PRNG之间进行交叉验证，以检测模拟结果中隐藏的相关性或偏差。
• 建立最佳实践，记录PRNG类型和种子，以实现数值实验的完全可重现性。

提出的方法

• 通过确定性递推关系（特别是线性反馈移位寄存器LFSR序列）介绍伪随机数生成的概念。
• 解释模运算（mod p）在构造长周期序列中的应用，以最大化确定性生成器的有效随机性。
• 建议使用TRNG库中的YARN2生成器作为可并行化、高质量的PRNG，适用于大规模模拟。
• 实施一种公平的并行化策略，将随机数流平均分配给各个进程，确保每个进程获得不相交、无重叠的随机序列段。
• 通过几何蒙特卡洛实验（随机三角形生成）进行统计验证，测试在不同进程数下的正确性和一致性。
• 在并行模拟中应用“公平游戏”原则，确保结果不依赖于进程数量或负载分布。

实验结果

研究问题

• RQ1 如何在大规模并行蒙特卡洛模拟中实现高质量、可扩展的随机数生成？
• RQ2 在并行环境中使用标准PRNG存在哪些风险，特别是关于不同进程间的相关性和非均匀性？
• RQ3 如何验证模拟结果，以确保其不因PRNG选择或其并行化策略而产生偏差？
• RQ4 在选择用于特定模拟的PRNG时，应使用哪些标准，特别是周期长度、统计质量以及数值分辨率？
• RQ5 如何在并行蒙特卡洛模拟中保证可重现性和公平性，特别是当结果必须独立于计算核心数量时？

主要发现

• TRNG 4.7库中的YARN2 PRNG是一种适合的、可并行化的生成器，在多个进程中均保持了高水平的统计质量。
• 随机三角形生成模拟在20个和30个进程下均产生了稳定结果（钝角三角形比例≈0.1725），但微小偏差表明并行化逻辑存在缺陷。
• 模拟结果对进程数量敏感，暴露出随机数流分割机制中的错误，违反了公平游戏原则。
• 钝角三角形比例的精确理论值约为0.170558，观察到的结果在统计误差范围内，证实了正确实现时底层算法的正确性。
• 研究表明，即使在不同进程数下结果出现微小偏差，也表明PRNG使用中存在缺陷，特别是在流分割和种子策略方面。
• 本文确立了没有一种PRNG是普遍最优的；相反，必须在多个PRNG之间验证模拟结果，以确保其鲁棒性和可靠性。