MadVfold: accelerating NLO event generation and reducing negative weights with SIMD vectorization and GPUs

In de hooggespannen wereld van de deeltjesfysica laten wetenschappers bij de Large Hadron Collider protonen op elkaar botsen om de omstandigheden van het vroege universum te recreëren. Om de brokstukken te begrijpen, vertrouwen ze op computersimulaties die voorspellen wat er tijdens deze botsingen zou moeten gebeuren. Het berekenen van deze voorspellingen met extreme precisie is echter een monumentale taak. De meest nauwkeurige methoden, bekend als next-to-leading-order berekeningen, zijn ongelooflijk traag en rekenintensief. Een grote hindernis in deze simulaties is het verschijnen van "negatieve gewichten", een wiskundige eigenaardigheid waarbij sommige gesimuleerde gebeurtenissen een negatieve waarde dragen. Om de ruis die deze negatieve waarden veroorzaken te compenseren en een helder beeld te krijgen, moeten onderzoekers veel grotere batches gebeurtenissen genereren dan gebruikelijk, wat enorme hoeveelheden rekenkracht en tijd consumeert.

Om dit op te lossen, hebben natuurkundigen een techniek ontwikkeld genaamd "folding" (vouwen). Stel je voor dat je probeert de waarde van een complexe integraal te schatten door een enkel punt te bemonsteren; dat kan ruizig en onnauwkeurig zijn. Folding is als het berekenen van dezelfde complexe functie voor verschillende variaties van de kinematische variabelen van een enkele gebeurtenis en het middelen van de resultaten. Deze aanpak levert een stabielere schatting van de integraal, wat helpt om de statistische ruis te dempen en de noodzaak voor negatieve gewichten te verminderen. Hoewel effectief, is deze methode op zichzelf erg traag omdat de computer de opdracht krijgt om voor een enkele gebeurtenis vele malen dezelfde complexe berekening uit te voeren. Een nieuwe aanpak, beschreven door Andrea Valassi bij CERN, heeft tot doel dit proces te versnellen door moderne computerhardware te gebruiken om deze herhaalde berekeningen gelijktijdig uit te voeren, in plaats van één voor één.

Valassi's werk introduceert een methode genaamd "vectorized folding" (gevectoriseerde folding), die gebruikmaakt van de parallelle verwerkingskracht van moderne grafische kaarten en geavanceerde centrale processors. In plaats van de computer te vragen de fysica voor één specifieke variatie van een gebeurtenis te berekenen, en dan de volgende, enzovoort, groepeert de nieuwe software tientallen van deze variaties samen. Het stuurt vervolgens deze hele batch naar de processor van de computer, die ze allemaal tegelijkertijd berekent. Dit is een significante verschuiving ten opzichte van de traditionele manier waarop deze simulaties draaien, die gebeurtenissen sequentieel verwerkt. Door de software te reorganiseren om gebruik te maken van deze parallelle capaciteit, creëerde de onderzoeker een nieuwe tool genaamd MADVFOLD, ontworpen om te werken met het veelgebruikte Madgraph5_aMC@NLO simulatiepakket.

De resultaten van deze reorganisatie zijn opmerkelijk. In tests waarbij elektronen en positronen botsten om bottom-quarks te produceren, verminderde de nieuwe methode de tijd die nodig is om gesimuleerde gebeurtenissen te genereren drastisch. Bij het gebruik van geavanceerde processors die in moderne datacentra worden gevonden, maakte de vectorized folding techniek de berekening ongeveer zes tot negen keer sneller dan de standaardmethode. Wanneer de berekeningen werden uitbesteed aan een grafische processor (GPU), was de versnelling nog prominenter en bereikte het bijna tien keer de snelheid van de oorspronkelijke aanpak. Deze winsten werden behaald, niet door de onderliggende fysica te veranderen, maar door te veranderen hoe de computer de wiskunde uitvoert, waardoor het de zware taken van de folding veel efficiënter kan afhandelen.

Het onderzoek onderzocht ook of deze parallelle aanpak toegepast kon worden op het genereren van gebeurtenissen zonder de folding-techniek te gebruiken. Zelfs in dit "unfolded" scenario, waar het doel simpelweg is om de standaard simulatie te versnellen, leverde de nieuwe software een driedubbele snelheidstoename op. Dit suggereert dat de architecturale wijzigingen gemaakt om folding te ondersteunen bredere voordelen hebben, waardoor de gehele simulatiepipeline efficiënter wordt. Het werk werd ontwikkeld via een nieuw proces waarbij de onderzoeker zwaar vertrouwde op grote taalmodellen om te assisteren bij het schrijven en testen van de code, een methode die het mogelijk maakte om het project van concept naar werkende software te brengen in slechts ongeveer zes weken.

Ondanks de indrukwekkende versnellingen merkt het artikel op dat folding een rekenintensieve techniek blijft. Zelfs met deze hardwareversnelling duurt het draaien van een simulatie met folding nog steeds aanzienlijk langer dan het draaien van een simulatie zonder folding. De afweging is echter vaak noodzakelijk omdat folding het aantal negatieve-gewicht-gebeurtenissen vermindert, wat op zijn beurt de totale hoeveelheid gebeurtenissen vermindert die nodig zijn om een statistisch significant resultaat te bereiken. Door het folding-proces zelf veel sneller te maken, maakt de nieuwe methode deze noodzakelijke afweging beheersbaarder voor toekomstige experimenten, inclusief het aanstaande High-Luminosity LHC-programma. De studie concludeert dat hoewel de software klaar is voor verdere tests en verfijning, het een belangrijke stap voorwaarts vertegenwoordigt in het mogelijk maken van hoog-precieze deeltjesfysische simulaties voor de massale datasets die in de komende jaren worden verwacht.