기술 요약: 비보존 항을 포함하는 엔트로피 안정성 불연속 갤러킨 오일러 솔버의 GPU 성능

문제 제기

대기 모델링을 위한 정확하고 안정적이며 효율적인 동역학 코어의 구축은 여전히 중요한 과제로 남아 있습니다. 불연속 갤러킨 (DG) 방법은 고차 정확도와 뛰어난 병렬화 잠재력을 제공하지만, 지구물리 유체 역학에 적용할 때는 고차에서의 안정성과 계산 효율성이라는 두 가지 주요 장애물에 직면합니다. 엔트로피 안정성 DG(ESDG) 방법은 엔트로피를 보존하거나 소산하는 수치 플럭스를 구성함으로써 안정성 문제를 해결하지만, 두 점 플럭스 평가의 필요성으로 인해 계산 비용이 매우 높습니다. 또한, 압축성 오일러 방정식에 부력을 포함시키면 보존 법칙의 집합에서 비보존 항을 가진 균형 법칙의 체계로 변환되어 플럭스 형성이 복잡해집니다.

오일러 방정식과 얕은 물 방정식에 대한 GPU 구현에 대한 방대한 문헌이 존재함에도 불구하고, 특히 부력을 포함하는 오일러 방정식에 대한 ESDG 방법의 GPU 최적화와 관련된 출판된 연구에는 상당한 공백이 있습니다. 높은 계산 비용을 해결하지 않는 한, ESDG 방법은 대규모 대기 모델링에 실용적이지 않을 위험이 있습니다. 본 논문은 현대 그래픽 처리 장치 (GPU) 아키텍처에서 효율적인 ESDG 방법을 구축해야 할 필요성에 대응합니다.

방법론

저자들은 엔트로피 안정성 불연속 갤러킨 솔버를 NVIDIA A100 GPU 에서 부력을 포함하는 압축성 오일러 방정식에 대해 구현했습니다. 수치적 접근법은 이전 연구 [55] 에서 상세히 설명된 ESDG 프레임워크를 따르며, GPU 실행에 맞게 조정되었습니다.

지배 방정식 및 이산화

솔버는 지위 (부력) 와 코리올리 항을 포함하는 시간 의존성 압축성 오일러 방정식을 처리합니다. 영역은 $(N+1)^3$개의 르장드르 - 가우스 - 로바토 (LGL) 노드를 포함하는 참조 요소에 매핑된 비중첩 육면체 요소로 이산화됩니다. 준이산 형태는 메모리 로드를 최소화하기 위해 텐서 곱 구조를 활용하는 매트릭스 프리 접근법을 사용합니다. 엔트로피 안정성은 다음을 통해 강제됩니다:

1. 체적 항: 엔트로피를 보존하는 두 점 플럭스 사용.
2. 표면 항: 로 Riemann 솔버와 유사한 행렬 소산을 보강한 엔트로피를 보존하는 플럭스 사용.
3. 시간 적분: 저 저장소 4 차 룬게 - 쿠타 (Runge-Kutta) 방식.

GPU 최적화 전략

본 논문의 핵심은 두 점 플럭스와 비보존 항의 계산 오버헤드를 완화하기 위한 일련의 최적화에 초점을 맞춥니다:

1. 스레드 매핑: 각 요소는 스레드 블록에 할당되며, 스레드는 자유도 (DOF) 를 나타냅니다.
2. 연산 감소:
   • 사전 계산: 기본 변수 (예: 운동량으로부터의 속도) 및 로그 항은 모든 플럭스 평가마다 재계산하는 대신 스레드당 한 번만 사전 계산됩니다.
   • 로그 평균: 저자들은 나눗셈을 줄이고 $\log(a)$와 $\log(b)$를 개별적으로 계산하여 평가 간 재사용을 가능하게 하는 호너의 규칙을 사용한 효율적인 공식 [42] 을 채택합니다.
3. 대칭성 활용:
   • 표준 오일러 방정식의 경우, 플럭스 쌍의 대칭성으로 인해 계산량이 2 배 감소할 수 있습니다.
   • 비대칭 중력 처리: 부력 항은 비대칭 성분을 도입합니다. 저자들은 운동량 플럭스를 대칭 부분과 중력 기여도로 분해합니다. 중력 항은 쌍당 한 번 계산되고 파트너 노드에 대해 스케일링되어 거의 2 배의 속도 향상을 유지합니다.
4. 로드 밸런싱: 스레드가 플럭스 쌍 ($j > i$) 을 계산할 때 로드 불균형을 방지하기 위해 특정 인덱싱 전략이 사용됩니다. 짝수 차수의 다항식의 경우 스레드가 동일한 작업을 수행하며, 홀수 차수의 경우 가중치 접근법이 균일한 루프 반복을 보장하여 동기화 문제를 피합니다.
5. 메모리 및 커널 퓨전: 상태 변수와 사전 계산된 데이터는 빠른 접근을 위해 공유 메모리에 저장됩니다. 세 공간 방향은 불필요한 공유 메모리 로드를 제거하기 위해 단일 커널 실행으로 퓨전됩니다. 공변 플럭스는 중간 행렬을 형성하고 축소하는 것을 피하기 위해 직접 계산됩니다.

주요 결과

단일 GPU 성능

• 계산 효율성: NVIDIA A100 하드웨어에서 최적화된 체적 커널은 다항식 차수 $N \ge 3$에 대해 64 비트 부동 소수점 피크 성능 (로프라인 천장) 의 거의 **70%**를 달성합니다. 커널은 메모리 바운드가 아닌 계산 바운드이므로 GPU 가속에 적합합니다.
• 최적화 영향: 사전 계산, 효율적인 로그 평균, 대칭성 활용과 같은 누적 최적화는 기준 GPU 커널 대비 총 7.3 배의 속도 향상을 가져옵니다.
• 커널 병목 현상: 최적화 전에는 체적 커널이 실행 시간을 지배했습니다. 최적화 후에는 표면 커널이 지배적인 비용이 되어, 향후 최적화 노력은 메모리 바운드인 표면 적분을 대상으로 해야 함을 나타냅니다.
• 확장성: 솔버는 강력한 포화 능력을 보여줍니다. 고차 다항식 ($N=6$) 의 경우, GPU 는 4,000 개의 요소만으로도 완전히 포화됩니다.

멀티 GPU 확장성

• 강한 확장성: 상승 열 기포 테스트 케이스 ($N=4, L=6$) 를 사용하여 솔버는 최대 32 개 GPU 까지 확장됩니다. 통신 오버헤드로 인해 32 개 GPU 에서 병렬 효율이 60% 로 떨어지므로, 문제 크기가 프로세서 수와 일치할 때 최적의 성능이 달성됨을 시사합니다.
• 약한 확장성: 문제 크기와 프로세서 수가 비례하여 증가할 때, 솔버는 단계당 일정한 시간을 유지하여 이상적인 약한 확장성 행동을 보여줍니다.

GPU 대 CPU 비교

솔버는 AMD EPYC 7763 Milan 노드에서 실행되는 매우 최적화된 CPU 코드 (NUMA 모델) 와 비교되었습니다.

• 속도: 동일한 문제 크기에 대해 GPU 구현은 CPU 코드보다 약 10 배 빠릅니다.
• 에너지 효율성: GPU 구현은 CPU 코드보다 13 배 이상 에너지 효율이 높습니다.
• 정밀도 트레이드오프:
  • 상승 기포: 64 비트에서 32 비트 정밀도로 전환하면 대규모 대칭성의 최소 손실로 2.16 배의 속도 향상을 얻습니다.
  • 바로클린 불안정성: 더 작은 문제 크기로 인해 계산에 비해 통신 오버헤드가 더 높아 32 비트 정밀도에서 1.5 배의 속도 향상을 보였습니다. 그러나 문제 크기를 늘리면 2.16 배의 속도 향상이 회복되었습니다. 32 비트 정밀도의 시각적 결과는 64 비트와 동일한 역학을 포착했으며, 노이즈는 방법의 안정성이 아닌 총 에너지 변수의 크기에 기인한 것으로 판단되었습니다.

중요성 및 주장

본 논문은 특히 GPU 최적화에 초점을 맞춘 오일러 방정식에 대한 최초의 ESDG 연구를 제시한다고 주장합니다. 주요 중요성은 엔트로피 안정성 방법의 계산 비용이 종종 채택의 장벽이 되었으나, 현대 GPU 하드웨어에서 효과적으로 완화될 수 있음을 입증하는 데 있습니다.

주요 주장은 다음과 같습니다:

1. 실현 가능성: 부력 구동 흐름에 대한 ESDG 방법은 GPU 에서 실현 가능하며, 높은 산술 강도와 피크 성능에 근접한 성능을 달성합니다.
2. 최적화 로드맵: 이 논문은 비보존 항에 대한 대칭성 처리, 로드 밸런싱, 연산 감소와 같은 구체적인 전략에 대한 상세한 로드맵을 제공하여 효율성을 크게 향상시킵니다.
3. 성능 향상: 구현은 최첨단 CPU 코드 대비 10 배의 속도 향상과 13 배 이상의 에너지 효율성 개선을 달성하여 고차 엔트로피 안정성 대기 모델링을 실용적으로 만듭니다.
4. 정밀도 유연성: 솔버는 지구물리 문제에 대한 솔루션 품질을 유지하면서 상당한 속도 향상 (최대 2 배) 을 제공하는 32 비트 정밀도를 지원하여 대규모 시뮬레이션에 대한 실용적인 트레이드오프를 제공합니다.

저자들은 현재 작업이 명시적 시간 적분에 초점을 맞추고 있지만, 입증된 공간 이산화 성능은 향후 명시적 시간 스텝핑 방식을 포함할 수 있는 실용적인 대기 모델의 기초를 마련한다고 결론지었습니다.