VecAmpFit: vectorized amplitude-analysis fitting library

Het artikel introduceert VecAmpFit, een nieuwe vectoriserde bibliotheek voor meerdimensionale amplitude-analyses die is ontwikkeld voor het Belle II-experiment en ondersteuning biedt voor gelijktijdige fitting van meerdere datasets met expliciete gradiëntberekening.

De kern

🚀 VecAmpFit: De Formule 1-auto voor deeltjesfysica

Stel je voor dat je een enorme puzzel probeert op te lossen. De puzzelstukjes zijn deeltjes die botsen in een gigantische versneller (zoals bij het Belle II-experiment). De fysici willen weten hoe deze deeltjes precies in elkaar steken en hoe ze vervallen. Om dit te doen, moeten ze een wiskundig model (een "amplitude") maken dat precies beschrijft wat er gebeurt.

Het probleem? Er zijn miljoenen puzzelstukjes (data) en het model is zo complex dat het berekenen van één oplossing duizenden jaren zou duren met een gewone rekenmachine.

VecAmpFit is een nieuwe softwarebibliotheek die dit probleem oplost. Het is als het bouwen van een Formule 1-auto voor deze berekeningen, terwijl de oude methoden meer leken op een fiets.

Hier is hoe het werkt, in drie simpele concepten:

1. De "Bussen" in plaats van de "Fietsen" (Vectorisatie)

Stel je voor dat je 100 mensen moet vervoeren van punt A naar punt B.

• De oude methode: Je laat elke persoon op een fiets zitten. Ze rijden één voor één. De eerste komt aan, dan de tweede, dan de derde... Dit duurt eeuwig.
• VecAmpFit: In plaats van fietsen, pakt het een grote bus (een vector) en zet 32 of 64 mensen tegelijkertijd in. De bus rijdt één keer en vervoert iedereen tegelijk.

In de computerwereld noemen we dit vectorisatie. VecAmpFit doet niet één berekening per keer, maar doet er tientallen tegelijk. Dit maakt het proces enorm veel sneller. Het is alsof je van handmatig tellen overschakelt naar het gebruik van een supercomputer die alles in één klap doet.

2. De "Chef-kok" die vooruitkijkt (Gradienten)

Stel je voor dat je een berg moet beklimmen om de laagste punt te vinden (de beste oplossing voor je model).

• De oude methode: Je loopt een beetje omhoog, kijkt of het lager is. Dan loop je een beetje naar links, kijk je weer. Je doet dit blindelings, stap voor stap. Dit kost veel tijd en energie.
• VecAmpFit: De software heeft een GPS en een kompas (de "gradient"). Het weet precies welke kant de berg afloopt. In plaats van blindelings te lopen, rent het direct de juiste kant op.

Dit heet expliciete gradientberekening. De programmeur moet wel zelf de kaart tekenen (de wiskundige formules uitschrijven), maar als dat eenmaal gebeurt, vindt de computer de oplossing veel sneller dan als hij blindelings zou zoeken.

3. De "Simultane Chef" (Meerdere datasets tegelijk)

Stel je voor dat je in een restaurant werkt en je moet drie verschillende gerechten tegelijk koken voor drie verschillende tafels.

• De oude methode: Je kookt gerecht A, serveert het, en begin dan pas met gerecht B.
• VecAmpFit: De chef (de software) kan alle drie de pannen tegelijk aansturen. Hij gebruikt dezelfde ingrediënten (de natuurwetten) voor alle gerechten, maar past ze aan voor elke tafel.

Dit betekent dat fysici data van verschillende experimenten (bijvoorbeeld bij verschillende energieniveaus) gelijktijdig kunnen analyseren. Dit geeft veel nauwkeurigere resultaten omdat alle informatie samen wordt gebruikt.

🏆 Hoe snel is het eigenlijk?

De auteurs van het paper hebben VecAmpFit vergeleken met twee andere bekende methoden:

1. Laura++: Een bewezen, maar wat tragere methode (de "fiets").
2. TensorFlowAnalysis2: Een moderne methode gebaseerd op kunstmatige intelligentie (een "elektrische scooter").

De resultaten:

• Op een gewone computer (CPU) is VecAmpFit 4 tot 20 keer sneller dan de andere methoden. Het is alsof je de Formule 1-auto vergelijkt met een fiets en een scooter; de auto wint het haastig.
• Het nadeel: Om deze snelheid te krijgen, moet de programmeur meer werk verzetten. Je moet de "bus" zelf bouwen en de "GPS" zelf tekenen. Bij de andere methoden (zoals TensorFlow) is het makkelijker om te beginnen, maar het is trager.

🎯 Waarom is dit belangrijk?

In de wereld van deeltjesfysica (zoals bij het zoeken naar nieuwe deeltjes of het begrijpen van het universum) draait alles om tijd en precisie.

• Als je een analyse 10 keer sneller kunt doen, kun je 10 keer meer data testen.
• Als je sneller bent, kun je complexere modellen maken die de werkelijkheid beter beschrijven.

Kortom: VecAmpFit is een krachtig nieuw gereedschap dat fysici in staat stelt om de geheimen van het universum sneller en nauwkeuriger te ontrafelen, door slimme wiskunde en het gebruik van moderne computerkracht. Het is de "turbo-knop" voor deeltjesfysica.

Technische samenvatting

Titel: VecAmpFit: Vectorized Amplitude-Analysis Fitting Library

1. Het Probleem

Amplitudefit-analyses in de hoge-energie fysica (zoals bij het Belle II-experiment) vereisen een enorme hoeveelheid rekenkracht. De kern van het probleem ligt in de berekening van de signal-dichtheidsnormalisatie-integrals.

• Rekenintensief: Bij complexe vervalprocessen (meerdere deeltjes in de eindtoestand, meerdere resonanties) moet de waarschijnlijkheidsdichtheidsfunctie (PDF) voor elk data-punt en voor elke iteratie van de fit worden geëvalueerd.
• Normalisatie: De normalisatie-integraal moet vaak numeriek worden berekend (bijvoorbeeld via Monte Carlo of rooster-integratie) bij elke stap van de minimalisatie, wat de rekentijd aanzienlijk vergroot.
• Optimalisatie: Bestaande frameworks gebruiken vaak imperatieve programmering zonder expliciete vectorisatie of automatische differentiatie, wat leidt tot suboptimale prestaties op moderne hardware.

2. Methodologie

VecAmpFit is een nieuwe bibliotheek die is ontwikkeld om de prestaties van amplitudefit-analyses te maximaliseren door gebruik te maken van vectorisatie en expliciete gradiëntberekening.

• Architectuur en Talen:
  • De bibliotheek is een hybride implementatie: de kernberekeningen voor de amplitude zijn geschreven in Fortran 2018, terwijl de algemene fit-controle in C++ plaatsvindt.
  • Het gebruikt een imperatieve programmeringsbenadering, maar is ontworpen om de prestatielimieten van deze aanpak te overwinnen.
• Vectorisatie:
  • In plaats van data punt-voor-punt te verwerken, worden gegevens opgeslagen in vaste vectoren (buffers).
  • De amplitude-berekeningen worden uitgevoerd op deze vectoren (SIMD - Single Instruction Multiple Data).
  • De bibliotheek ondersteunt verschillende vectorlengtes (standaard: 1, 2, 4, 8, 16, 32, 64), die tijdens het compileren worden geselecteerd om te matchen met de hardware-registers (bijv. AVX).
• Expliciete Gradiëntberekening:
  • De fit ondersteunt expliciete berekening van de gradiënt van de likelihood-functie.
  • De gebruiker moet de gradiënt voor de signaaldichtheid handmatig implementeren (automatische differentiatie wordt niet ondersteund). Dit verhoogt de rekentijd per aanroep, maar verlaagt het totale aantal benodigde aanroepen voor convergentie aanzienlijk.
• Parallelisme:
  • Ondersteuning voor multi-threading via OpenMP.
  • Experimentele ondersteuning voor GPU-offloading via OpenACC.
• Normalisatie-methoden:
  • De bibliotheek biedt drie methoden voor het berekenen van normalisatie-integrals: Monte Carlo (standaard), rooster-integratie (Grid), en symbolische integratie (Formule).

3. Belangrijkste Bijdragen

• VecAmpFit Library: Een volledig nieuw framework dat speciaal is ontworpen voor multidimensionale amplitudefits.
• Vectorized Subroutines: Een uitgebreide verzameling van vectoriseerde Fortran-subroutines voor wiskundige functies, fysische grootheden (zoals Breit-Wigner amplitudes, K-matrix parameterisatie, Blätt-Weisskopf vormfactoren) en statistische tests.
• Flexibiliteit: Het framework is niet beperkt tot één specifiek model; gebruikers moeten de signaal- en achtergronddichtheidsfuncties zelf programmeren, maar kunnen gebruikmaken van de geoptimaliseerde basisbibliotheek.
• Simultane Fits: Ondersteuning voor het gelijktijdig fiten van meerdere datasets (bijv. verschillende energiepunten of verschillende experimenten zoals Belle en Belle II) met gedeelde of gekoppelde parameters.
• Tooling: Een Fortran-verwerkingstool (vecampfit-fortran) die automatisch interfaces, C-headers en documentatie genereert op basis van de Fortran-code.

4. Resultaten en Prestaties

De auteurs hebben de prestaties van VecAmpFit vergeleken met twee bestaande frameworks: Laura++ (imperatief) en TensorFlowAnalysis2 (declaratief, gebaseerd op TensorFlow).

• Vergelijking met Laura++ (Imperatief):
  • Op CPU is VecAmpFit 4 tot 5 keer sneller dan Laura++ voor een voorbeeldanalyse ($B^+ \to K^+K^+K^-$).
  • Het gebruik van vectorisatie en expliciete gradiënten levert een aanzienlijke snelheidswinst op.
• Vergelijking met TensorFlowAnalysis2 (Declaratief):
  • Op CPU: VecAmpFit is meer dan een orde van grootte (10x of meer) sneller dan TensorFlowAnalysis2. Dit komt doordat TensorFlow overkilling heeft voor deze specifieke taken en minder efficiënt is in het verwerken van de specifieke normalisatie-integrals zonder JIT-compilatie.
  • Op GPU: De situatie keert om. TensorFlowAnalysis2 presteert ongeveer 10 keer sneller op GPU dan VecAmpFit. De GPU-ondersteuning in VecAmpFit is nog experimenteel en beperkt door compilerproblemen (OpenACC) die vectorisatie op de GPU momenteel beperken tot lengte 1.
• Vectorlengte-optimisatie:
  • Tests tonen aan dat de prestaties sterk afhankelijk zijn van de vectorlengte. De beste prestaties worden behaald bij lengtes die overeenkomen met de grootte van de vectorregisters van de CPU (bijv. 8 of 16 voor double precision op AVX-systemen).
  • Link-Time Optimization (LTO) verbetert de snelheid met een factor 1,3 tot 1,8.

5. Betekenis en Conclusie

VecAmpFit biedt een krachtige, hoog-presterende oplossing voor complexe amplitudefits in de hoge-energie fysica, met name voor experimenten zoals Belle II waar grote datasets en complexe modellen de norm zijn.

• Efficiëntie: Het biedt een significante snelheidswinst ten opzichte van bestaande imperatieve frameworks en is op CPU aanzienlijk sneller dan moderne declaratieve (ML-gebaseerde) frameworks.
• Toekomstperspectief: Hoewel de CPU-prestaties uitstekend zijn, is de GPU-ondersteuning nog in ontwikkeling. De auteurs plannen om de GPU-offloading te verbeteren in toekomstige releases om de voordelen van GPU-berekening volledig te benutten.
• Toepasbaarheid: De bibliotheek maakt het mogelijk om complexe, multidimensionale analyses (zoals Dalitz-plots met meerdere resonanties en achtergronden) efficiënter uit te voeren, wat essentieel is voor het analyseren van zeldzame vervalprocessen en het bepalen van kwantumgetallen van exotische toestanden.

Samenvattend is VecAmpFit een gespecialiseerd, hoog-geoptimaliseerd instrument dat de rekenlast van amplitudefits aanzienlijk verlaagt door gebruik te maken van moderne vectorisatietechnieken en expliciete gradiëntmethoden.