[论文解读] Towards the automation of Monte Carlo simulation on GPU for particle physics processes

Stefano Carrazza, Juan Cruz–Martinez+2 more|arXiv (Cornell University)|May 21, 2021

Distributed and Parallel Computing Systems被引用 4

一句话总结

该论文提出 MadFlow，一种新框架，通过将 MadGraph5_aMC@NLO 与 GPU 优化的 VegasFlow 和 PDFFlow 库集成，实现了粒子物理过程的 GPU 加速蒙特卡洛模拟自动化。该框架支持在 CPU 和 GPU 上端到端模拟树图幅矩阵元和相空间生成，与标准 MC 工具保持统计一致性，并在 GPU 硬件上实现高达 10 倍的性能提升，同时保持 0.02% 以内的精度。

ABSTRACT

In this proceedings we present MadFlow, a new framework for the automation of Monte Carlo (MC) simulation on graphics processing units (GPU) for particle physics processes. In order to automate MC simulation for a generic number of processes, we design a program which provides to the user the possibility to simulate custom processes through the MadGraph5_aMC@NLO framework. The pipeline includes a first stage where the analytic expressions for matrix elements and phase space are generated and exported in a GPU-like format. The simulation is then performed using the VegasFlow and PDFFlow libraries which deploy automatically the full simulation on systems with different hardware acceleration capabilities, such as multi-threading CPU, single-GPU and multi-GPU setups. We show some preliminary results for leading-order simulations on different hardware configurations.

研究动机与目标

• 为应对高能物理中蒙特卡洛模拟日益增长的计算需求，实现 GPU 加速。
• 自动化任意过程在硬件加速器上的部分子级矩阵元和相空间生成的部署。
• 提供一个可维护、对开发者友好的框架，与现有 HEP 工具（如 MadGraph5_aMC@NLO）无缝集成。
• 在无需低层硬件编程的情况下，实现在 CPU、单 GPU 和多 GPU 配置下的高性能、可移植模拟。
• 为未来支持 NLO 计算和与基于深度学习的模拟技术集成奠定基础。

提出的方法

• 该框架使用 MadGraph5_aMC@NLO 以标准格式生成特定过程的矩阵元和相空间表达式。
• 通过自定义 Python 插件将这些表达式转换为 GPU 兼容格式，将费曼规则翻译为 TensorFlow 兼容操作。
• 利用 TensorFlow 控制流对矩阵元评估进行向量化，以处理波函数和顶点中的条件语句。
• 相空间生成和运动学评估在 GPU 上使用 VegasFlow 完成，该库支持高维积分并具备硬件加速能力。
• 部分子分布函数通过 PDFFlow 求值，PDFFlow 是一个用于快速 PDF 插值的 GPU 优化库。
• 整个流水线完全在 GPU 上运行，最大限度减少 CPU-GPU 数据传输，实现端到端加速。

实验结果

研究问题

• RQ1 能否构建一个完全自动化的流水线，为任意粒子物理过程生成 GPU 就绪的蒙特卡洛模拟？
• RQ2 GPU 加速模拟在截面预测方面与标准 CPU 方法结果的匹配精度如何？
• RQ3 与纯 CPU 执行相比，GPU 加速在树图幅过程中的性能提升程度如何？
• RQ4 当用 GPU 优化的积分器替换 CPU 基础积分器时，框架能否保持数值稳定性和精度？
• RQ5 该框架在不同硬件配置（包括多 GPU 配置）下的性能可移植性如何？

主要发现

• MadFlow 框架与标准 MG5_aMC 结果保持统计一致性，14 TeV 能量下胶子-胶子融合过程的微分截面相对差异小于 0.02%。
• 使用单块 NVIDIA Titan V GPU 的 GPU 加速实现版本，相较于 MG5_aMC 的纯 CPU 版本，性能最高提升达 10 倍。
• VegasFlow 的纯 CPU 版本已因更优的并行化设计而优于原始 MG5_aMC 积分器，证实了底层库设计的高效性。
• 所有基准测试计算均完全在 GPU 上执行，无异步 CPU 计算，证明了完整的 GPU 任务卸载能力。
• 该框架成功处理了涉及波函数中条件逻辑的复杂矩阵元评估，证明了对非平凡 HEP 幅度进行 GPU 移植的可行性。
• 结果验证了从解析矩阵元生成到 GPU 执行的完整流水线，为未来支持 NLO 和基于深度学习的模拟扩展铺平了道路。