[论文解读] Task parallel implementation of a solver for electromagnetic scattering problems

Afshin Zafari, Elisabeth Larsson+5 more|arXiv (Cornell University)|Jan 10, 2018

Electromagnetic Scattering and Analysis参考文献 23被引用 3

一句话总结

本论文提出了一种基于任务并行编程模型的嵌套等效源近似（NESA）求解器，用于电磁散射问题。通过利用异步任务执行和动态负载均衡，当任务规模足够大时，该方法在共享内存系统上实现了接近最优的性能，展示了在包含数百万个未知数的三维问题中的优异可扩展性。

ABSTRACT

Electromagnetic computations, where the wavelength is small in relation to the geometry of interest, become computationally demanding. In order to manage computations for realistic problems like electromagnetic scattering from aircraft, the use of parallel computing is essential. In this paper, we describe how a solver based on a hierarchical nested equivalent source approximation can be implemented in parallel using a task based programming model. We show that the effort for moving from the serial implementation to a parallel implementation is modest due to the task based programming paradigm, and that the performance achieved on a multicore system is excellent provided that the task size, depending on the method parameters, is large enough.

研究动机与目标

• 解决涉及数百万至数十亿未知数的大规模电磁散射问题的计算挑战。
• 通过利用共享内存多核架构，克服串行计算和传统基于 MPI 的并行实现的局限性。
• 实现依赖于层次矩阵结构和低秩近似的远场相互作用的 NESA 算法的高效并行化。
• 评估使用 SuperGlue 的任务并行化性能，并与 OpenMP 在不同任务规模和线程数下的表现进行比较。
• 证明任务并行模型能够有效管理 NESA 等层次求解器中固有的复杂依赖关系和负载不平衡问题。

提出的方法

• 采用 SuperGlue 运行时系统实现的任务并行编程模型，以表达 NESA 算法中的并行性。
• 将计算划分为独立的任务，用于近场和远场矩阵-向量乘积（MVP），支持异步执行。
• 使用受保护的共享数据类型（如 SGMatrix）并结合依赖关系追踪，实现跨任务的安全矩阵共享。
• 通过 BLAS-3 调用（cblas_dgemv）实现 MVP 任务，并追踪读写访问权限，以支持任务重排和负载均衡。
• 对几何结构应用层次树分解，将相互作用划分为近场（密集）和远场（低秩）两部分。
• 通过基于计算成本的动态调度任务，特别是针对不平衡树结构，确保负载均衡。

实验结果

研究问题

• RQ1 任务并行模型能否在共享内存系统上有效扩展用于大规模三维电磁散射问题的 NESA 求解器？
• RQ2 任务大小对任务并行 NESA 实现中的性能和可扩展性有何影响？
• RQ3 在层次求解器中，SuperGlue 与 OpenMP 在任务并行 MVP 计算中的性能权衡如何？
• RQ4 任务执行的异步特性在面对不规则工作负载时，能在多大程度上改善负载均衡和资源利用率？
• RQ5 任务并行方法是否能在无需对串行实现进行大量代码重构的情况下，实现接近最优的加速比？

主要发现

• 任务并行方法在对原始串行代码仅做最小修改的情况下，实现了高度高效的并行实现，证明了该模型的实际可行性。
• 当任务规模足够大时，性能表现优异——在包含数百万个未知数的三维问题中，多核系统上实现了接近最优的加速比。
• 对于典型二维问题中较小的任务规模，由于任务开销，可扩展性仅限于少数线程；但在任务规模更大的三维问题中，该限制消失。
• 在小任务规模和高线程数下，SuperGlue 表现优于 OpenMP，尤其得益于对细粒度任务依赖关系和动态调度的更好支持。
• 当任务规模较大时，SuperGlue 和 OpenMP 的性能趋于一致，表明通过仔细调优，OpenMP 也能达到相当的性能水平。
• 异步任务执行和输出向量的交换性访问语义显著改善了负载均衡，并实现了近场与远场计算的高效混合。