🔭 astrophysics

gevolution 2.0: GPU-accelerated relativistic N-body simulations for cosmology

Dit artikel presenteert Gevolution 2.0, een ingrijpende herziening van de relativistische N-body code die een drielaagse parallellisatiestrategie (MPI, OpenMP en CUDA) benut om GPU-acceleratie volledig uit te buiten voor hoogwaardige kosmologische simulaties, vergezeld van een GPU-klaar release van de onderliggende LATfield2-bibliotheek.

Oorspronkelijke auteurs: Julian Adamek, Øyvind Christiansen

Gepubliceerd 2026-07-21

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Julian Adamek, Øyvind Christiansen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het universum voor als een gigantische, onzichtbare oceaan. Eeuwenlang hebben wetenschappers geprobeerd de stromingen en golven in deze oceaan in kaart te brengen om te begrijpen hoe hij is ontstaan en waar hij naartoe gaat. Meestal hebben ze hiervoor een vereenvoudigde kaart gebruikt genaamd "Newtoniaanse fysica", die uitstekend werkt voor alledaagse zaken zoals vallende appels of draaiende planeten. Maar wanneer je uitzoomt naar het hele universum, of kijkt naar de grootschalige structuur van de kosmos, begint die eenvoudige kaart te vervagen. Je hebt de volledige, complexe spelregels van Einsteins Algemene Relativiteitstheorie nodig om de ware vorm van ruimte en tijd te zien. Het probleem is dat de wiskunde van Einstein ongelooflijk zwaar is; het is alsof je een puzzel van een miljoen stukjes probeert op te lossen waarbij elk stukje voortdurend van vorm verandert. Om dit te doen, gebruiken wetenschappers supercomputers om "simulaties" te draaien, wat in feite virtuele universums zijn waarin ze kunnen zien hoe sterrenstelsels ontstaan en met elkaar interageren. Maar deze simulaties waren traag en beperkt, waardoor wetenschappers vaak moesten kiezen tussen nauwkeurigheid of snelheid.

Maak kennis met gevolution, een speciaal computerprogramma ontworpen om het universum te simuleren met behulp van de volledige regels van Einstein. Tot nu toe was het als een high-end sportwagen die alleen op een zeer specifiek, traag circuit kon rijden. Het nieuwe artikel introduceert gevolution 2.0, een enorme upgrade die deze auto verandert in een raket. De auteurs, Julian Adamek en Øyvind Christiansen, hebben de motor volledig herbouwd om te draaien op GPU's (Graphics Processing Units). Je kent GPU's misschien als de krachtige chips in gamingcomputers die videogames er geweldig uit laten zien. In de wereld van de wetenschap zijn deze chips als een zwerm van duizenden kleine, supersnelle werkers die allemaal tegelijkertijd wiskunde kunnen uitvoeren. Door gevolution te leren om de GPU-werkers te gebruiken, heeft het team het mogelijk gemaakt om deze ongelooflijk complexe, Einstein-niveau simulaties veel sneller dan ooit te draaien, wat de deur opent naar het begrijpen van de "donkere sector" van het universum — mysterieus spul zoals donkere energie en donkere materie die we niet kunnen zien, maar wel zeker voelen.

De Grote Makeover: Van Eén Werker naar een Zwerm

Denk aan de oude versie van gevolution als een bouwploeg waarbij elke individuele werker (een computerprocessor) moest wachten tot de persoon naast hem klaar was met een taak voordat hij zelf kon beginnen. Het was georganiseerd, maar traag. De nieuwe versie, gevolution 2.0, is als het inhuren van een enorm leger van gespecialiseerde werkers. De auteurs hebben niet alleen een paar extra werkers toegevoegd; ze hebben de hele werkplek geherorganiseerd. Ze maken nu gebruik van drie lagen teamwork:

MPI: Dit is de projectmanager die het universum in stukken splitst en deze verdeelt over verschillende computers in een groot netwerk.
OpenMP: Binnen elke computer is dit een voorman die ervoor zorgt dat alle CPU-cores (de standaard rekenkracht) efficiënt samenwerken.
CUDA: Dit is de echte gamechanger. Het legt het zware werk uit aan de GPU's. Stel je de CPU-cores voor als de hersenen die de route plannen, terwijl de GPU's een vloot racewagens zijn die de route met de snelheid van het licht afleggen.

Het team moest het deel van de code herschrijven dat de "deeltjes" (de virtuele sterren en sterrenstelsels) afhandelt. In de oude versie waren de deeltjes als een rommelige hoop knikkers die één voor één gesorteerd moesten worden. In de nieuwe versie zijn ze georganiseerd in nette rijen, waardoor de GPU duizenden van hen tegelijkertijd kan grijpen en verplaatsen. Het is het verschil tussen een bibliothecaris die boeken één voor één sorteert en een robotarm die in één keer een hele plank kan pakken.

De Race: Hoe Snel is Snel?

Om te bewijzen dat hun nieuwe motor werkt, hebben de auteurs gevolution 2.0 aan enkele serieuze tests onderworpen op de "Alps" supercomputer in Zwitserland. Deze machine is een beest, vol gepakt met Nvidia Grace Hopper 200 superchips (elk met 72 CPU-cores en een krachtige GPU).

Ze voerden een "strong scaling" test uit, wat zoiets is als vragen: "Als we deze even grote puzzel aan steeds meer werkers geven, hoe veel sneller zijn we dan klaar?" De resultaten waren indrukwekkend. Wanneer ze het aantal computers verhoogden, nam de snelheid van de simulatie bijna perfect toe. De delen van de code die deeltjes rondbewegen (de "kick" en "drift" stappen) waren zo snel dat ze zelfs met duizenden werkers nauwelijks vertraging opliepen. Ze stuitten echter op een bottleneck: het wegschrijven van de resultaten naar de harde schijf. Het is als een racewagen die 200 mph kan gaan, maar de finishlijn is een smalle poort waar slechts één auto tegelijk doorheen kan. Ondanks de snelheid moest het team wachten op het opslaan van de data, wat veel tijd in beslag nam.

Ze vergeleken gevolution 2.0 ook met twee andere beroemde simulatiecodes: PKDGRAV3 en Gadget-4.

PKDGRAV3 is als een meestertimmerman die een speciale tool gebruikt om elke minuscule detail van een houtnerf te meten (adaptieve resolutie). Het is zeer nauwkeurig voor kleine, klonterige objecten, maar kost veel tijd.
Gadget-4 is een betrouwbare, ouderwetse vrachtwagen die op standaard brandstof rijdt (alleen CPU's). Het is stevig, maar veel langzamer dan de nieuwe racewagens.
gevolution 2.0 is de nieuwe elektrische racewagen. Het gebruikt een vast rooster (zoals een schaakbord) in plaats van elke kleine nerf te meten.

De resultaten lieten zien dat gevolution 2.0 ongeveer 4,5 keer sneller was dan de oude CPU-versie van zichzelf. Vergeleken met de andere codes was het ongeveer 20 keer sneller dan PKDGRAV3 en bijna 200 keer sneller dan Gadget-4 (wanneer rekening wordt gehouden met het aantal gebruikte computers).

Maar snelheid is niet alles. De auteurs controleerden of de racewagen accuraat was. Ze vergeleken het "vermogensspectrum" (een grafiek die laat zien hoe klonterig het universum is) van hun simulatie met die van de anderen.

Op grote schaal (grote delen van het universum) kwam gevolution bijna perfect overeen met de anderen.
Op middelgrote schaal was het nog steeds ongelooflijk dichtbij, met een verschil van slechts ongeveer één op duizend.
Op de allerkleinste schalen (de kleinste details) begon de nauwkeurigheid van gevolution af te nemen omdat het een vast rooster gebruikt. Het is als proberen een cirkel te tekenen met een liniaal; je krijgt een goede vorm, maar de randen zijn wat grilliger vergeleken met een vrije tekening. Het artikel merkt op dat voor de meeste wetenschappelijke vragen, deze kleine afname in detail een eerlijke ruil is voor de enorme winst in snelheid.

Waarom Dit Er Toe Doet

De belangrijkste bevinding van dit artikel is dat gevolution 2.0 een volledig functionele, door GPU's versnelde tool is die het universum kan simuleren met behulp van de volledige zwaartekrachtwetten van Einstein met een snelheid die voor dergelijke complexe berekeningen voorheen onmogelijk werd geacht. De auteurs laten zien dat hoewel je enorme snelheidswinsten kunt behalen, er een afweging is: het vaste rooster betekent dat je op de allerkleinste schalen wat nauwkeurigheid verliest vergeleken met methoden die hun resolutie aanpassen. Echter, voor veel wetenschappelijke vragen is deze afweging acceptabel, waardoor onderzoekers relativistische simulaties kunnen draaien die voorheen te traag waren om praktisch bruikbaar te zijn.

Ze zijn zeer zeker over de prestatiecijfers omdat ze deze direct op een echte supercomputer hebben gemeten. Ze zijn er ook van overtuigd dat de code werkt voor de standaard kosmologie, maar ze suggereren dat deze versnelling bijzonder nuttig zal zijn voor het bestuderen van "exotische" modellen van het universum, zoals die met nieuwe soorten donkere energie of velden die zich op vreemde wijze gedragen. Het artikel beweert niet dat het het mysterie van donkere materie heeft opgelost, maar het biedt een veel snellere, krachtigere microscoop om naar aanwijzingen te zoeken.

Kortom, de auteurs hebben een zwaar, traag en complex instrument genomen en dit veranderd in een wendbaar, hogesnelheidsinstrument. Hiermee stellen ze wetenschappers in staat om gedetailleerdere, nauwkeurigere simulaties van ons universum uit te voeren, wat ons dichter bij het begrijpen brengt van de onzichtbare krachten die alles wat we zien vormgeven.

Technische Samenvatting: gevolution 2.0: GPU-versnelde relativistische $N$ -lichaamssimulaties voor kosmologie

Probleemstelling
Het artikel behandelt de toenemende dominantie van Graphics Processing Units (GPU's) in high-performance computing (HPC) en de noodzaak om relativistische kosmologische simulatiecodes aan te passen om deze hardware te benutten. De oorspronkelijke gevolution-code, een relativistische particle-mesh $N$ -lichaamssolver, was ontworpen voor CPU-only uitvoering met gebruik van MPI voor distributed memory parallellisme. Omdat moderne HPC-systemen (bijv. de TOP500-lijst per juni 2026) steeds meer worden gedomineerd door GPU-versnelde architecturen, beperkte het gebrek aan GPU-ondersteuning in gevolution de schaalbaarheid en prestaties. Bov�gens wordt verwacht dat het oplossen van vergelijkingen voor aanvullende relativistische velden (zoals scalaire velden in uitbreidingen voorbij $\Lambda$ CDM) goed zal schalen op GPU's, wat een herziening van de code noodzakelijk maakt om de meest krachtige beschikbare infrastructuur te benutten.

Methodologie
De auteurs presenteren gevolution versie 2.0, een grote herziening van de parallellisatiestrategie van de code om drie lagen van parallellisme te ondersteunen:

MPI: Voor schaalbaarheid over distributed memory-systemen.
OpenMP: Voor shared-memory parallellisme op elke MPI-rank om alle beschikbare CPU-cores te benutten.
CUDA: Voor het offloaden van rekenintensieve taken naar GPU's.

Belangrijke technische implementaties zijn onder meer:

Hybride CPU/GPU Geheugenbeheer: De code adopteert een unified memory-model waarbij particle-mesh operaties (projectie, kick, drift) worden uitgevoerd op de GPU-device met behulp van High-Bandwidth Memory (HBM). Velden gedefinieerd in de Fourier-ruimte blijven in het CPU-hostgeheugen (DRAM) om het gebruik van het beperkte HBM te optimaliseren. Bulkgegevensverplaatsing wordt beperkt tot initialisatie en specifieke stadia van de 3D Fast Fourier Transform (FFT).
Herontwerp van de Particle Handler: De particle handler is volledig vanaf nul opnieuw geschreven. De vorige implementatie maakte gebruik van dubbel gelinkte lijsten, wat zorgde voor onregelmatige geheugentoegang en ongeschikt was voor parallellisme. De nieuwe handler verdeelt deeltjes in mesh-rijen, sorteert ze op coördinaat en verwerkt ze met behulp van CUDA thread blocks. Het maakt gebruik van parallelle sorteeralgoritmen (cub::DeviceRadixSort) en getemplateerde callable structs om functiepointers te vervangen, waardoor de compiler specifieke kernels kan genereren voor verschillende particle-mesh operaties.
Mesh Updates en FFT's: De onderliggende LATfield2-bibliotheek is bijgewerkt met een generieke lattice_for_each CUDA-kernel voor mesh-operaties. De 3D FFT-implementatie is aangepast om de nieuwe parallelle lagen te kunnen afhandelen. De meeste 1D FFT's worden op de device uitgevoerd met behulp van de cuFFT-bibliotheek. Echter, vanwege alignment-vereisten in cuFFT die niet altijd gegarandeerd kunnen worden met halo-cellen en multi-component velden, valt de code dynamisch terug op FFTW3 voor specifieke 1D transformaties waar nodig.
Bewegingsvergelijkingen: De code lost de weak-field beschrijving van de Algemene Relativiteitstheorie op in de Poisson-gauge. Het evolueert metriek-perturbaties ( $\psi, \phi, B_i, h_{ij}$ ) en deeltjesbanen met behulp van een staggered leap-frog schema. De Hamiltonian en momentum constraints worden opgelost via een predictor-corrector loop (die vaak nul iteraties vereist vanwege de trage evolutie), en het systeem ondersteunt een $N$ -body gauge optie om Newtoniaanse limieten te herstellen.

Belangrijkste Bijdragen

GPU-versnelde Relativistische Solver: De primaire bijdrage is de eerste GPU-versnelde versie van een volledig relativistische $N$ -lichaamscode die in staat is om scalar-vector-tensor decomposities van de Einstein-vergelijkingen te verwerken.
LATfield2 GPU Backend: De auteurs brengen een GPU-ready versie van de LATfield2-bibliotheek uit, die de parallelle backend voor gevolution biedt.
Performance Benchmarks: Het artikel biedt uitgebreide benchmarks op het 'Alps' HPC-platform (HPE Cray EX254n met Nvidia Grace Hopper 200 superchips), waarbij sterke en zwakke schaalbaarheid worden aangetoond.
Vergelijkende Analyse: De code wordt vergeleken met Gadget-4 (CPU-only, tree-PM) en PKDGRAV3 (GPU-versnelde, tree code) in een zuivere Newtoniaanse gravitatiecontext om prestatie-baselines vast te stellen.

Resultaten

Scaling Performance:
- Strong Scaling: Voor een simulatie met $1080^3$ deeltjes bereikt de code bijna perfecte schaling voor particle updates (drift en kick). De gedistribueerde 3D FFT vertoont uitstekende schaling, hoewel de communicatie-overhead merkbaar wordt. De totale prestaties worden beperkt door I/O, met name de lightcone output, die minimale versnelling laat zien.
- Weak Scaling: De code vertoont bijna perfecte schaling voor particle updates en initiële data-generatie. Metric solvers schalen goed, hoewel I/O-verzadiging de prestaties op de grootste schalen verslechtert (bijv. $2400^3$ deeltjes die 4 TB aan data schrijven).
Speed-up: Vergeleken met een CPU-only run van gevolution 1.3 op dezelfde hardware, bereikt de GPU-implementatie (2.0) een prestatiewinst van ongeveer een factor 4,5 in termen van verbruikte totale node-uren.
Vergelijking met andere codes:
- gevolution 2.0 is ongeveer 20 keer sneller dan PKDGRAV3 voor hetzelfde Newtoniaanse probleem, wat wordt toegeschreven aan de adaptieve krachtresolutie en time-stepping overhead van PKDGRAV3.
- gevolution 2.0 is ongeveer een orde van grootte sneller dan Gadget-4 (dat geen GPU-ondersteuning heeft).
- Nauwkeurigheid: Wat betreft matter power spectra komt gevolution overeen met Gadget-4 op grote schalen. Op intermediaire schalen komen gevolution en PKDGRAV3 overeen binnen $\sim 0,1\%$ , terwijl Gadget-4 tot wel 2% afwijkt (toegeschreven aan tree-PM transitiefouten). Op kleine schalen vertoont gevolution een onderdrukking van de power naarmate het de Nyquist-limiet van zijn uniforme mesh nadert, een bekende beperking van fixed-resolution particle-mesh schema's vergeleken met adaptieve tree-methoden.

Betekenis en Claims
De auteurs beweren dat gevolution 2.0 een snelle en schaalbare computationele tool biedt voor relativistische $N$ -lichaamssimulaties, waardoor het competitief is met state-of-the-art $N$ -lichaam methoden. Het artikel benadrukt dat het framework een consistente behandeling van willekeurige relativistische bronnen van stress-energie mogelijk maakt, wat cruciaal is voor het modelleren van dynamische donkere energie en andere scenario's buiten het standaard $\Lambda$ CDM-model.

De auteurs merken bescheiden op dat het "prestatie"-voordeel van de particle-mesh aanpak gepaard gaat met een vaste krachtresolutie, wat minder accuraat kan zijn voor het oplossen van de interne structuur van geclusterde halo's vergeleken met tree-codes. Ze argumenteren echter dat voor wetenschappelijke vragen waarbij de gestelde nauwkeurigheid (binnen 2% tot specifieke $k$ -modes) voldoende is, de nieuwe GPU-implementatie een zeer performante alternatief biedt. Het uiteindelijke doel dat wordt benadrukt, is de mogelijkheid om niet-lineaire relativistische dynamica op te nemen in de forward modeling van kosmologische observabelen om het donkere sector beter te begrijpen.

De Grote Makeover: Van Eén Werker naar een Zwerm

De Race: Hoe Snel is Snel?

Waarom Dit Er Toe Doet

Meer zoals dit