⚛️ high-energy experiments

Cascade Pipeline for Leading-Order Matrix Element Evaluation on AMD Versal AI Engine Arrays

تقدم هذه الورقة بنية خط أنابيب متتالية خماسية المراحل تم تنفيذها على مصفوفات AMD Versal AI Engine لتقييم عناصر المصفوفة من الرتبة الأولى لعملية $\gamma\gamma \to t\bar{t}g$ بكفاءة، محققةً إنتاجية متوقعة تبلغ $1.0\times10^6$ عملية تقييم في الثانية مع تسريع بمقدار $34\times$ وتحسين في كفاءة الطاقة بمقدار $7.7\times$ مقارنة بنواة وحدة معالجة مركزية واحدة، مع الحفاظ على دقة عددية في حدود أجزاء من المليون.

المؤلفون الأصليون: P. Leguina López, C. Vico Villalba, F. Hervás Álvarez, H. Gutiérrez Arance, S. Folgueras, L. Fiorini, A. Valero, J. Fernández Menéndez, F. Carrió, A. Oyanguren

نُشر 2026-05-05

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: P. Leguina López, C. Vico Villalba, F. Hervás Álvarez, H. Gutiérrez Arance, S. Folgueras, L. Fiorini, A. Valero, J. Fernández Menéndez, F. Carrió, A. Oyanguren

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بنتيجة تصادم فوضوي هائل بين جسيمين صغيرين للغاية (مثل البروتونات) داخل مسرع جسيمات ضخم. للقيام بذلك، يستخدم الفيزيائيون وصفة رياضية معقدة تسمى "العنصر المصفوفي" (matrix element). حساب هذه الوصفة يشبه حل لغز ضخم متعدد الخطوات. والمشكلة هي أنه للحصول على إجابة موثوقة، يتعين عليهم حل هذا اللغز نفسه ملايين المرات، وفي كل مرة بظروف بدائية مختلفة قليلاً.

حالياً، القيام بذلك باستخدام معالجات الكمبيوتر القياسية (CPUs) يشبه محاولة حل هذه الألغاز واحداً تلو الآخر بواسطة شخص واحد. إنه أمر دقيق، لكنه بطيء للغاية ويستهلك الكثير من الطاقة، خاصة مع ازدياد قوة مسرع الجسيمات.

تقدم هذه الورقة طريقة جديدة لحل هذه الألغاز باستخدام نوع خاص من الرقائق الحاسوبية يسمى AMD Versal AI Engine. فبدلاً من جعل شخص واحد يحل اللغز بأكمله، قام المؤلفون ببناء خط تجميع مصنع مباشرة داخل الرقاقة.

إليك كيف يعمل حلهم، مقسماً إلى مفاهيم بسيطة:

١. مشكلة "خط التجميع"

الوصفة الرياضية لهذا التصادم الجسيمي المحدد (جلوونان يتحولان إلى كوارك قمة، وكوارك مضاد للقمة، وجلوون آخر) كبيرة جداً بحيث لا يمكن أن تتسع في ذاكرة معالج صغير واحد داخل الرقاقة. تخيل محاولة وضع دليل تعليمات مكون من ٣٨ صفحة في جيب لا يتسع إلا لـ ١٦ صفحة فقط.

الحل: قام المؤلفون بتقسيم الدليل إلى خمسة فصول. ثم أنشأوا خط تجميع مكون من خمس مراحل.

المرحلة ١: تقرأ المكونات الخام (بيانات التصادم) وتجهز الخطوات الأولى.
المرحلة ٢ و٣: تمرران العمل إلى المرحلة التالية في الخط، مع إضافة المزيد من الخطوات إلى الحساب.
المرحلة ٤ و٥: تنهيان الحسابات النهائية وتخرجان الإجابة.

٢. "حزام النقل" (خط أنابيب متتالي - Cascade Pipeline)

هذه المراحل الخمس متصلة بحزام نقل مخصص فائق السرعة يسمى الواجهة المتتالية (cascade interface).

تخيل مصنعاً حيث لا يتوقف العمال للتحدث أو لانتظار الإذن لتمرير صندوق إلى الشخص التالي، بل يقومون فقط بتمرير الصندوق عبر منزلق فوراً.
في هذه الرقاقة، "الصناديق" هي قطع من البيانات تسمى الرموز (tokens).
وضع المؤلفون قاعدة صارمة (عقداً حتمياً) لضمان عدم تعثر العمال في انتظار بعضهم البعض. كل عامل يعرف بالضبط متى يمرر صندوقاً ومتى يستلم آخر، حتى لا يتوقف الخط أبداً.

٣. "المصنع العملاق" (٨٠ خط إنتاج في آن واحد)

الرقاقة التي استخدموها (VCK190) تشبه مستودعاً ضخماً يحتوي على ٤٠٠ عامل صغير (تسمى بلاطات/tiles).

بدلاً من بناء خط تجميع واحد فقط، قاموا ببناء ٨٠ خط تجميع متطابق جنباً إلى جنب.
كل خط يتكون من ٥ عمال. $٨٠ \text{ خط} \times ٥ \text{ عمال} = ٤٠٠ \text{ عامل}$ .
جميعهم يعملون في نفس الوقت، ويحلون ٨٠ لغزاً مختلفاً في وقت واحد.

٤. النتائج: السرعة والكفاءة

اختبر المؤلفون هذا "المصنع" مقابل طريقتين أخريين: معالج كمبيوتر قياسي (CPU) وبطاقة رسوميات عالية الأداء (GPU).

السرعة: مصنعهم المكون من ٨٠ خطاً أسرع بـ ٣٤ مرة من نواة كمبيوتر قياسية واحدة.
- ملاحظة: لا تزال بطاقة الرسوميات (GPU) رفيعة المستوى أسرع بشكل عام (حوالي ٢٢ مرة أسرع من رقيقتهم)، لكن الـ GPU هي آلة أكبر وأكثر تكلفة.
الطاقة: هنا تبرز براعة طريقتهم. نظرًا لأن خط التجميع فعال ومتخصص للغاية، فإنه يستهلك القليل جداً من الكهرباء.
- لحل لغز واحد، تستخدم رقيقتهم طاقة أقل بـ ٧.٧ مرة من معالج كمبيوتر قياسي.
- هي أقل كفاءة في استهلاك الطاقة من الـ GPU الضخمة، لكن الـ GPU تستهلك كمية هائلة من الطاقة للقيام بذلك. طريقة الرقاقة هي "النقطة المثالية" للحالات التي تحتاج فيها إلى السرعة ولكن لا يمكنك توصيلها بآلة ضخمة تستهلك طاقة هائلة.

٥. فحص الدقة

لقد تأكدوا من أن "خط التجميع" الخاص بهم لا يرتكب أخطاء. فقد قارنوا الإجابات من رقيقتهم مع حساب "المعيار الذهبي" ذو الدقة المزدوجة.

تطابقت النتائج بشكل شبه مثالي. كان الفرق ضئيلاً جداً (حوالي ١ من مليون) لدرجة أنه يعتبر غير مؤثر في حسابات الفيزياء التي يقومون بها.

ملخص

باختصار، أخذ المؤلفون حساباً فيزيائياً معقداً كان أكبر من أن يتسع في رقاقة كمبيوتر واحدة، وقسموه إلى خمس قطع يمكن إدارتها، وبنوا ٨٠ خط تجميع متوازٍ لحلها جميعاً في وقت واحد. يخلق هذا النهج "نقطة مثالية" تجمع بين السرعة العالية واستهلاك الطاقة المنخفض، مما يوفر بديلاً قوياً لتشغيل عمليات المحاكاة اللازمة لفهم الكون في مصادم الهادرونات الكبير.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "خط أنابيب متتالي لتقييم عناصر المصفوفة من الرتبة الأولى على مصفوفات محركات الذكاء الاصطنادي من AMD Versal."

1. بيان المشكلة

تواجه مولدات الأحداث في فيزياء الطاقات العالية (HEP) الحديثة، مثل MadGraph5_aMC@NLO (MG5aMC)، عقبة حسابية كبيرة في تقييم عنصر المصفوفة ( $|M|^2$ ) لتصادمات الجسيمات. ومع دخول مصادم الهادرونات الكبير (LHC) مرحلة السطوع العالي، يزداد الطلب على هذه الحسابات بشكل غير خطي، بينما يظل التوسع باستخدام المعالجات المركزية (CPU) محدودًا.

العقبة: يستحوذ تقييم عنصر المصفوفة على 30-40% من إجمالي وقت توليد الأحداث، لا سيالما في العمليات التي تتضمن نفاثات متعددة (multi-jets) مع انبعاثات حقيقية إضافية.
التحدي: تقدم الحلول الحالية باستخدام وحدات معالجة الرسومات (GPUs) (مثل CUDACPP) إنتاجية عالية، لكنها تستهلك طاقة كبيرة. أما مصفوفات البوابات المنطقية القابلة للبرمجة ميدانياً (FPGAs)، فهي توفر كفاءة في استهلاك الطاقة ولكنها تعاني من قيد ذاكرة البرنامج (PM) البالغة 16 كيلوبايت لكل وحدة (tile) في مصفوفات محركات الذكاء الاصطناضي الحديثة. إن التنفيذ المتجانس (monolithic) للعمليات المعقدة (مثل $gg \to t\bar{t}g$ ) يتجاوز حد الذاكرة هذا، مما يمنع رسمه مباشرة على وحدة واحدة.

2. المنهجية

يقترح المؤلفون بنية خط أنابيب متتالي (cascade pipeline architecture) على مصفوفة محركات الذكاء الاصطناعي من AMD Versal (تحديداً منصة VCK190) للتغلب على قيود الذاكرة وتحقيق أقصى قدر من التوازي.

أ. المنصة المستهدفة والبنية

الأجهزة: شريحة AMD Versal XCVC1902 ACAP تتميز بـ 400 وحدة محرك ذكاء اصطناعي مرتبة في شبكة $50 \times 8$ ، وتعمل بتردد 1.25 جيجاهرتز.
تفكيك خط الأنابيب: تم تفكيك عملية $gg \to t\bar{t}g$ $g g \to t \overset{ˉ}{t} g$ (التي تتضمن 16 مخطط فاينمان و10 دالات HELAS متميزة) إلى خط أنابيب مكون من خمس مراحل.
- المرحلة 1: توليد الدوال الموجية (spinors/vectors الخارجية) وتهيئة الرموز (tokens).
- المرحلتان 2 و3: تقييم رؤوس (vertices) الفرميون-ناقل (Fermion-vector)، مع تقسيم 12 مخططاً لموازنة الذاكرة.
- المرحلة 4: تقييم رؤوس الثلاثي غلوون (Triple-gluon)، بما في ذلك مولد البوزون غير المتصل (off-shell boson) المؤجل.
- المرحلة 5: حدود الاتصال الرباعي غلوون (Four-gluon contact terms) واختزال مصفوفة اللون.
إدارة الذاكرة: للتوافق مع حد 16 كيلوبايت، استخدم المؤلفون تقسيم ذاكرة البرنامج والتقييم المؤجل. على سبيل المثال، تم نقل مولد البوزون غير المتصل ( $FFV1P0\_3$ ) من المرحلة 1 إلى المرحلة 4، مما قلل استخدام ذاكرة المرحلة 1 من 17.8 كيلوبايت إلى 15.5 كيلوبايت.

ب. التواصل بين الوحدات (بروتوكول التتالي)

الآلية: تتواصل المراحل عبر واجهة التتالي أحادية الاتجاه بقدر 384 بت (عرض نطط 60 جيجابايت/ثانية).
بروتوكول الرموز (Token Protocol): يُستخدم بروتوكول حتمي خالٍ من حالة الاستعصاء (deadlock-free)، حيث تتبادل المراحل "رموزاً" مهيكلة تحتوي على الدوال الموجية والسعات الجزئية.
- الرمز الممتد (المراحل 1-4): يحمل 5 دوال موجية خارجية، 3 ناقلات (propagators) محسوبة مسبقاً، و6 سعات تدفق لوني (18 نبضة/حلزونية).
- الرمز المختزل (المراحل 4-5): يحمل 5 دوال موجية وسعات فقط (12 نبضة/حلزونية) بعد التقييم المحلي لرأس الثلاثي غلوون.
الحتمية: يفرض النظام "عقد تلاشي" (cascade contract) يتضمن هياكل حلقات متطابقة، وكتابات غير مشروطة، وأعداد رموز متطابقة إحصائياً لضمان تشغيل خالٍ من التكاليف الإضافية للتحكم في التدفق.

ج. التعديلات البرمجية

نقل مكتبة HELAS: تم نقل مكتبة HELAS القياسية الخاصة بـ MG5aMC (المبرمجة أصلاً بلغة C++ ذات الدقة المزدوجة والسكالر) إلى متغيرات (intrinsics) متجهية لمحرك الذكاء الاصطناعي (دقة مفردة float32).
التحسينات:
- التوجيه المتجهي (Vectorization): تم رسم الدوال الموجية كمتجهات SIMD بعرض 8.
- القسمة المركبة: استبدال طريقة سميث (التي تتطلب قسمتين) بتعليمات مقلوب واحد مدعوم عتادياً.
- تخزين الحلزونية (Helicity Caching): تم حساب 10 دوال موجية مسبقاً لـ 32 تكويناً حلزونياً، واختيارها عبر بحث بمؤشر بتي (bit-indexed lookup) لتقليل التقييمات بمقدار 16 ضعفاً.
- اختزال اللون: تم دمج أقسام تطبيع اللون ضمن الثوابت وقت التجميع.

د. نشر النظام

النطاق: تم رسم 80 خط أنابيب مستقل على 400 وحدة متاحة (5 وحدات لكل خط أنابيب).
الإدخال/الإخراج (I/O): تقوم بنية تعتمد على تبديل الحزم في المنطق القابل للبرمجة (PL) بتوزيع نقاط فضاء الطور على خطوط الأنابيب وجمع النتائج.

3. المساهمات الرئيسية

بنية خط أنابيب مدفوعة بالذاكرة: تقديم خط أنابيب متتالٍ مبتكر من 5 مراحل نجح في تقسيم حساب معقد لعنصر مصفوفة متعدد المخططات عبر عدة وحدات محرك ذكاء اصطناعي، متجاوزاً قيد ذاكرة البرنامج البالغ 16 كيلوبايت.
عقد التتالي الحتمي: تطوير بروتوكول اتصال خالٍ من الاستعصاء باستخدام رموز الدوال الموجية وهياكل الحلقات الثابتة، مما يلغي الحاجة إلى أجهزة تحكم في التدفق معقدة.
النقل الكامل لمكتبة HELAS: النجاح في نقل مكتبة سعات HELAS الكاملة إلى متغيرات متجهية لمحرك الذكاء الاصطناعي، مع دمج تحسينات مثل التخزين المؤقت للحلزونية بالبحث البتّي وتقليل القسمة المركبة.
النشر القابل للتوسع: إثبات إمكانية النشر النظري لـ 80 خط أنابيب باستخدام 100% من موارد الحوسبة لمحركات الذكاء الاصطناعي في VCK190.

4. النتائج

الإنتاجية: الإنتاجية المتوقعة لمصفوفة الـ 80 خط أنابيب هي $1.0 \times 10^6$ تقييم لعنصر المصفوفة في الثانية (ME/s).
- يمثل هذا تسارعاً بمقدار 34 ضعفاً مقارنة بنواة CPU أحادية المسار (Intel i5-10600).
- ورغم أنه أقل من وحدة معالجة الرسومات NVIDIA A100 ( $2.18 \times 10^7$ ME/s)، إلا أن حل محرك الذكاء الاصطناعي أكثر كفاءة في استهلاك الطاقة بشكل ملحوظ.
كفاءة الطاقة:
- محرك الذكاء الاصطناعي (AI Engine): 54.8 ميكرو جول/ME (عند قدرة 54.8 واط لنطاق AIE).
- المعالج المركزي (CPU): 422 ميكرو جول/ME.
- وحدة معالجة الرسومات (GPU): 7.3 ميكرو جول/ME (لكن عند قدرة 159 واط).
- التحسن: يوفر محرك الذكاء الاصطناعي تحسناً بمقدار 7.7 ضعفاً في كفاءة الطاقة مقارنة بالمعالج المركزي.
الدقة: تم التحقق من الصحة مقابل مرجع MG5aMC ذي الدقة المزدوجة.
- متوسط الخطأ النسبي: 1.43 جزء في المليون (ppm).
- أقصى خطأ نسبي: 168 جزء في المليون.
- تُعتبر هذه الدقة كافية لحسابات الرتبة الأولى (LO) حيث تهيمن الأخطاء الفيزيائية (تغير المقياس، الـ PDFs) على الأخطاء العددية.
استغلال الموارد:
- ذاكرة البرنامج: المرحلة 1 هي عنق الزجاجة بنسبة استغلال 94.7% (15,514 بايت).
- المنطق القابل للبرمجة (PL): استخدام متواضع (4.72% للـ LUTs، 2.87% للـ Registers)، مما يترك مجالاً لمنطق إضافي.

5. الأهمية والعمل المستقبلي

الأهمية: يثبت هذا العمل أن مصفوفات محركات الذكاء الاصطناعي هي خيار قابل للتطبيق لتوليد أحداث فيزياء الطاقات العالية بإنتاجية عالية وكفاءة في الطاقة، خاصة في البيئات المقيدة بالطاقة (مثل أنظمة التريجر عبر الإنترنت أو الحوسبة الطرفية في LHC) حيث تكون مستويات طاقة وحدات معالجة الرسومات محظورة. كما يؤسس لمنهجية نظامية لتقسيم نوى الفيزياء المعقدة عبر وحدات ذاكرة مقيدة.
القيود: التنفيذ الحالي محدود بعمليات الرتبة الأولى (LO). تعتمد أرقام زمن الاستجابة (latency) على محاكيات تقريبية للدورات بدلاً من التوقيت العتادي الفعلي للمصفوفة الكاملة.
الاتجاهات المستقبلية:
- ترشيح الحلزونية (Helicity Filtering): حساب أقنعة الحلزونية الصالحة مسبقاً لتقليل تكرارات الحلقة الداخلية، مما قد يضاعف الإنتاجية.
- تعدد الجسيمات (Higher Multiplicity): توسيع عمق خط الأنابيب لعمليات أكثر تعقيداً (مثل $t\bar{t}ggg$ ).
- تكامل الرتبة التالية (NLO): تكييف البنية لحسابات الرتبة التالية التي تتضمن تكاملات الحلقة.
- تطور العتاد: الاستفادة من أجهزة Versal من الجيل التالي ذات المصفوفات الأكبر أو سرعات الساعة الأعلى.

في الختام، تقدم الورقة بديلاً قوياً وفعالاً في استهلاك الطاقة لتسريع وحدات معالجة الرسومات لمهام محددة في فيزياء الطاقات العالية، وذلك عبر استغلال قدرات التتالي الفريدة لمحركات الذكاء الاصطناعي من AMD Versal لحل تحديات تقسيم الذاكرة الكامنة في حسابات عناصر المصفوفة المعقدة.