MoreFit: A More Optimised, Rapid and Efficient Fit

Este artículo presenta MoreFit, un marco de alto rendimiento para la estimación de parámetros mediante máxima verosimilitud no agrupada en física de partículas que aprovecha grafos de computación compilados en tiempo de ejecución, optimizaciones automáticas novedosas y backends heterogéneos (OpenCL y LLVM/Clang) para lograr una velocidad y eficiencia superiores a través de diversas plataformas de hardware.

Lo esencial

Imagina que eres un detective tratando de resolver un misterio masivo. Tienes un montón de millones de pistas (puntos de datos) y necesitas descubrir la configuración exacta de una máquina compleja (los parámetros) que las creó. En el mundo de la física de partículas, esto se llama un "ajuste de máxima verosimilitud no agrupado" (unbinned maximum likelihood fit).

Básicamente, estás intentando encontrar el "punto ideal" donde tu modelo matemático coincide perfectamente con los datos del mundo real. El problema es que, con millones de pistas y cientos de perillas para girar, este cálculo es increíblemente lento y consume mucha potencia informática.

Aquí entra MoreFit. Piensa en MoreFit como un asistente superinteligente y de alta velocidad diseñado específicamente para resolver estos misterios de forma más rápida y eficiente que las herramientas antiguas.

Así es como funciona, desglosado en conceptos simples:

1. El "Plano de Lego" (Grafos de Computación)

El software tradicional suele calcular estos misterios escribiendo instrucciones largas y rígidas para cada paso. MoreFit, sin embargo, construye un "Grafo de Computación".

Imagina un plano de Lego. En lugar de solo listar cada ladrillo, el plano muestra cómo se conectan los ladrillos. MoreFit dibuja este mapa del problema matemático. Debido a que tiene el mapa completo, puede ver el panorama general y detectar ineficiencias que un humano o un programa rígido podrían pasar por alto.

2. El "Optimizador Automático" (Compilación Justo a Tiempo)

Una vez que MoreFit tiene el plano, no solo ejecuta las instrucciones; las reescribe sobre la marcha para que sean lo más rápidas posible. Esto se llama "compilación Just-in-Time" (justo a tiempo).

Piensa en un chef que, antes de cocinar una comida para una multitud, mira la receta y se da cuenta de: "Oye, voy a picar estas cebollas para cada plato. En lugar de picarlas frescas para cada plato, picaré un lote gigante de una vez y lo tendré listo".

• La forma antigua: Picar cebollas para cada evento (lento).
• La forma de MoreFit: Darse cuenta de que algunas partes de las matemáticas no cambian de un evento a otro, calcularlas una sola vez y reutilizar el resultado. Esto ahorra una cantidad masiva de tiempo.

3. El "Súper Equipo" (Paralelismo y Arquitecturas Heterogéneas)

La forma antigua de hacer esto era como tener a una persona intentando clasificar un millón de cartas, una por una. MoreFit se da cuenta de que clasificar cartas es un trabajo "embarazosamente paralelo", lo que significa que todos pueden hacer una parte al mismo tiempo sin estorbarse entre sí.

MoreFit está construido para trabajar con un equipo mixto de computadoras:

• GPUs (Tarjetas Gráficas): Estas son como un enjambre de abejas, capaces de realizar miles de tareas diminutas simultáneamente. MoreFit utiliza estándares abiertos (OpenCL) para poder hablar con cualquier marca de GPU, no solo con un tipo específico.
• CPUs (Procesadores): Estos son como un equipo de especialistas altamente calificados. MoreFit también puede usarlos, organizándolos para que trabajen en perfecta sincronía (vectorización) para acelerar las cosas.

4. El "Atajo Mágico" (Diferenciación Simbólica)

Para encontrar la solución perfecta, la computadora necesita saber hacia qué lado girar las perillas para acercarse a la respuesta. Usualmente, tiene que adivinar y probar, lo cual es lento.
MoreFit utiliza la diferenciación simbólica. En lugar de adivinar, utiliza reglas matemáticas para escribir la dirección exacta a seguir. Es como tener un GPS que te dice la ruta exacta, en lugar de alguien conduciendo a ciegas buscando la calle correcta. Esto hace que el proceso de "ajuste" converja (encuentre la respuesta) en solo unos pocos pasos en lugar de cientos.

5. La Fábrica de "Datos Falsos" (Pseudoexperimentos)

Antes de confiar en la conclusión de un detective, a menudo quieres probar si su método funciona creando escenas de crímenes falsas y viendo si las resuelve. En física, esto se llama generar "pseudoexperimentos".
MoreFit es increíblemente rápido en esto también. Debido a que conoce las reglas del juego perfectamente, puede generar estos escenarios falsos mucho más rápido que otras herramientas, permitiendo a los científicos realizar miles de pruebas para asegurar que sus resultados sean confiables.

Los Resultados: Una Carrera Contra el Tiempo

El autor probó MoreFit contra otras dos herramientas famosas (RooFit y zfit) usando dos tipos de acertijos:

1. Un ajuste de masa simple: Como encontrar el peso de un objeto.
2. Un ajuste angular complejo: Como determinar la rotación 3D de un objeto que gira.

El Veredicto:

• MoreFit fue a menudo de 10 a 50 veces más rápido que la competencia, especialmente cuando se trata de grandes cantidades de datos.
• En un procesador de computadora estándar, fue significativamente más rápido que los métodos antiguos.
• En una potente tarjeta gráfica (GPU), fue casi un orden de magnitud (10x) más rápido que el principal competidor.

Resumen

MoreFit es una nueva herramienta que trata el ajuste de datos como un proyecto de construcción bien organizado. Al dibujar un plano inteligente, reescribir las instrucciones para eliminar el desperdicio y utilizar un enorme equipo de trabajadores (GPUs y CPUs) simultáneamente, resuelve problemas de física complejos en una fracción del tiempo que solía tomar. Esto permite a los científicos hacer más ciencia con menos tiempo de espera y menos consumo de energía.

Resumen técnico

Resumen Técnico: MoreFit – Un Ajuste Más Optimizado, Rápido y Eficiente

Planteamiento del Problema

La estimación de parámetros mediante ajustes de máxima verosimilitud sin agrupar (unbinned maximum likelihood fits) es un pilar de la física de partículas, ofreciendo la ventaja de retener toda la información sin las pérdidas asociadas al agrupamiento (binning). Sin embargo, los experimentos modernos generan volúmenes de datos sin precedentes (a menudo $O(10^6)$ eventos) que requieren la determinación de conjuntos de parámetros complejos (a menudo $>100$ parámetros). Además, la validación estadística rigurosa, como la corrección de cobertura mediante pseudo-experimentos (por ejemplo, los métodos de Feldman-Cousins), exige realizar $O(10^5)$ o más ajustes por parámetro. Estas demandas computacionales hacen que los marcos de ajuste tradicionales consuman mucho tiempo y energía, lo que requiere una solución que pueda explotar eficientemente el paralelismo en arquitecturas heterogéneas.

Metodología

MoreFit es un marco de ajuste en C++ diseñado específicamente para ajustes de máxima verosimilitud sin agrupar, priorizando el paralelismo y la optimización automática. Su estrategia central se basa en grafos de computación que se compilan en tiempo de ejecución (JIT) para generar núcleos de ejecución (kernels) para backends de hardware específicos.

Arquitectura Central

1. Grafos de Computación: Las Funciones de Densidad de Probabilidad (PDF) se representan como grafos de computación con estructura de árbol que contienen operaciones básicas, funciones, variables y constantes. Esta estructura facilita:

   • Diferenciación Simbólica: El marco aplica automáticamente la regla de la cadena para calcular gradientes analíticos y matrices Hessianas (segundas derivadas) requeridos para la minimización y la estimación de incertidumbre.
   • Optimización Automática: Los grafos se analizan para identificar y optimizar cálculos redundantes.

2. Backends de Computación: MoreFit utiliza estándares abiertos para dirigirse a plataformas heterogéneas:

   • Backend de OpenCL: El predeterminado para GPUs, compatible con los principales proveedores. Genera kernels de OpenCL C para la evaluación de la verosimilitud, el cálculo de gradientes/Hessianos y la generación de eventos. Emplea la suma de Kahan en el acelerador para minimizar la sobrecarga de transferencia de datos entre el host y el dispositivo.
   • Backend de LLVM/Clang: Diseñado para CPUs, este backend compila kernels de C mediante JIT. Soporta la vectorización de Instrucción Única, Múltiples Datos (SIMD) y la ejecución multihilo mediante una estrategia de agrupación de hilos (thread-pooling) para evitar la sobrecarga de creación de hilos.

Técnicas de Optimización Automática

MoreFit emplea varias estrategias novedosas de optimización automática aplicadas a los grafos de computación:

• Almacenamiento en Caché de Términos Dependientes de Parámetros: Los términos en la función de verosimilitud que dependen únicamente de los parámetros (por ejemplo, integrales de normalización) y no de datos de eventos específicos son identificados, calculados una sola vez en el host por cada actualización de parámetro y almacenados en un búfer. Estos valores almacenados se pasan como constantes al kernel de computación, reduciendo significamente la complejidad del kernel.
• Precomputación de Términos Dependientes de Eventos: Para los términos que dependen únicamente de variables de eventos (por ejemplo, términos angulares en un análisis de desintegración), el marco puede precomputar estos valores en un paso de kernel separado. Los datos resultantes de mayor dimensionalidad se utilizan entonces en un kernel de verosimilitud simplificado, evitando la evaluación repetida de expresiones complejas durante el bucle de minimización.
• Optimización de la Generación de Pseudo-experimentos: Durante la generación de pseudo-datos, todos los parámetros están fijos. MoreFit trata los términos dependientes de parámetros como constantes, simplificando drásticamente el grafo de generación. Soporta la generación en el acelerador utilizando generadores de números pseudoaleatorios (por ejemplo, Xoshiro128++) para minimizar las transferencias entre el host y el dispositivo.

Contribuciones Clave

• Introducción del Marco: La presentación de MoreFit, una biblioteca C++ ligera y de mínima dependencia que no depende de TensorFlow o ROOT (aunque la compatibilidad con ROOT es posible).
• Compilación JIT y Optimización de Grafos: Un enfoque novedoso donde los grafos de computación son analizados y optimizados automáticamente antes de la compilación JIT, permitiendo ganancias de rendimiento significativas sin intervención del usuario.
• Soporte Heterogéneo: Una interfaz unificada para la ejecución tanto en GPUs (vía OpenCL) como en CPUs (vía LLVM/Clang con SIMD), asegurando una amplia compatibilidad de hardware.
• Derivadas Analíticas: La provisión de gradientes y Hessianos analíticos derivados mediante diferenciación simbólica, lo que mejora la velocidad de convergencia en comparación con la diferenciación numérica.

Resultados

El artículo compara MoreFit (v0.1) con RooFit (v6.32.08) y zfit (v0.24.2) utilizando un CPU AMD 7950X3D y una GPU NVIDIA Titan V. Se probaron dos escenarios: un ajuste de masa 1D (4 parámetros) y un ajuste angular multidimensional (8 parámetros).

• Ganancias de Rendimiento:
  • Ajuste de Masa: En el CPU con 16 hilos, MoreFit con derivadas analíticas fue hasta 2.4 veces más rápido que el backend SIMD de RooFit con estadísticas altas ($N=10^6$). En la GPU, MoreFit fue casi un orden de magnitud más rápido que la implementación CUDA de RooFit con estadísticas altas.
  • Ajuste Angular: MoreFit demostró una aceleración de 6.6x sobre el backend SIMD de RooFit en un solo hilo de CPU con estadísticas bajas, aumentando a ~11x en estadísticas intermedias/altas. En la GPU, MoreFit superó a zfit por un factor de 32–48, dependiendo del tamaño del conjunto de datos.
• Impacto de las Derivadas Analíticas: El uso de derivadas analíticas redujo significativamente el número de iteraciones de minimización (de ~85 a 2–3 para el ajuste de masa; de ~200 a 2–3 para el ajuste angular), lo que condujo a aceleraciones sustanciales, particularmente en GPUs donde se reduce la sobrecarga de envío de kernels.
• Escalabilidad: MoreFit escala bien con el número de hilos en CPUs, mostrando aceleraciones de hasta un orden de magnitud en estadísticas altas cuando se usan 16 hilos en comparación con un solo hilo.

Significado y Perspectivas

El artículo afirma que MoreFit demuestra el poder de utilizar grafos de computación optimizados automáticamente para ajustes de parámetros, logrando mejoras de rendimiento de un orden de magnitud o más sobre los marcos existentes. La importancia radica en hacer que las técnicas estadísticas computacionalmente costosas, como la corrección de cobertura, sean factibles y sostenibles. Al depender de estándares abiertos e independientes de los proveedores, MoreFit aspira a ser ampliamente utilizable en diversos hardware.

Los autores reconocen que MoreFit se encuentra en una etapa temprana de desarrollo. Las limitaciones actuales incluyen una pequeña biblioteca de PDFs integrados y la falta de soporte para ajustes agrupados (binned fits). El trabajo futuro se centrará en expandir la biblioteca de PDFs, implementar correcciones de aceptación de propósito general eficientes y explorar la capacidad de ajustes agrupados. El artículo concluye que existe un potencial significativo para mejorar la velocidad y la eficiencia en los ajustes de máxima verosimilitud sin agrupar, contribuyendo a un uso más sostenible de los recursos computacionales en la física de partículas.