Imagine que você é um detetive tentando resolver um mistério colossal. Você tem uma pilha de milhões de pistas (pontos de dados) e precisa descobrir as configurações exatas de uma máquina complexa (os parâmetros) que as criou. No mundo da física de partículas, isso é chamado de "ajuste de máxima verossimilhança não agrupado" (unbinned maximum likelihood fit).

Basicamente, você está tentando encontrar o "ponto ideal" onde seu modelo matemático corresponde perfeitamente aos dados do mundo real. O problema é que, com milhões de pistas e centenas de botões para girar, esse cálculo é incrivelmente lento e consome muita capacidade computacional.

Conheça o MoreFit. Pense no MoreFit como um assistente superinteligente e de alta velocidade, projetado especificamente para resolver esses mistérios de forma mais rápida e eficiente do que as ferramentas antigas.

Veja como ele funciona, dividido em conceitos simples:

1. O "Projeto de Lego" (Grafos de Computação)

O software tradicional muitas vezes calcula esses mistérios escrevendo instruções longas e rígidas para cada etapa. O MoreFit, no entanto, constrói um "Grafo de Computação".

Imagine um projeto de Lego. Em vez de apenas listar cada peça, o projeto mostra como as peças se conectam. O MoreFit desenha esse mapa do problema matemático. Como ele possui o mapa completo, consegue ver o quadro geral e identificar ineficiências que um humano ou um programa rígido poderiam perder.

2. O "Otimizador Automático" (Compilação Just-in-Time)

Uma vez que o MoreFit tem o projeto, ele não apenas executa as instruções; ele as reescreve sobre a marcha para serem o mais rápidas possível. Isso é chamado de "Compilação Just-in-Time".

Pense em um chef que, antes de cozinhar uma refeição para uma multidão, olha para a receita e percebe: "Ei, eu vou picar estas cebolas para cada prato. Em vez de picar frescas para cada prato, vou picar um lote gigante de uma vez e deixá-lo pronto".

O Jeito Antigo: Picar cebolas para cada evento (lento).
O Jeito MoreFit: Perceber que algumas partes da matemática não mudam de um evento para outro, calcular uma vez e reutilizar o resultado. Isso economiza uma quantidade enorme de tempo.

3. A "Super Equipe" (Paralelismo e Arquiteturas Heterogêneas)

O jeito antigo de fazer isso era como ter uma pessoa tentando classificar um milhão de cartas, uma por uma. O MoreFit percebe que classificar cartas é um trabalho "embarazzingly parallel" (extremamente paralelizável) — o que significa que todos podem fazer uma parte disso ao mesmo tempo sem atrapalhar uns aos outros.

O MoreFit foi construído para trabalhar com uma equipe mista de computadores:

GPUs (Placas de Vídeo): Estas são como um enxame de abelhas, capazes de realizar milhares de pequenas tarefas simultaneamente. O MoreFit usa padrões abertos (OpenCL) para que possa conversar com qualquer marca de GPU, não apenas um tipo específico.
CPUs (Processadores): Estas são como uma equipe de especialistas altamente qualificados. O MoreFit também pode usá-las, organizando-as para trabalhar em perfeita sincronia (vetorização) para acelerar as coisas.

4. O "Atalho Mágico" (Diferenciação Simbólica)

Para encontrar a solução perfeita, o computador precisa saber em qual direção girar os botões para chegar mais perto da resposta. Normalmente, ele precisa de tentativa e erro, o que é lento.
O MoreFit usa diferenciação simbólica. Em vez de adivinhar, ele usa regras matemáticas para escrever a direção exata a seguir. É como ter um GPS que lhe diz a rota exata, em vez de alguém dirigindo cegamente à procura da rua certa. Isso faz com que o "ajuste" (fitting) converja (encontre a resposta) em apenas alguns passos, em vez de centenas.

5. A Fábrica de "Dados Falsos" (Pseudoexperimentos)

Antes de confiar na conclusão de um detetive, você geralmente quer testar se o método dele funciona criando cenas de crimes falsas e vendo se ele as resolve. Na física, isso é chamado de gerar "pseudoexperimentos".
O MoreFit é incrivelmente rápido nisso também. Como ele conhece as regras do jogo perfeitamente, pode gerar esses cenários falsos muito mais rápido do que outras ferramentas, permitindo que os cientistas realizem milhares de testes para garantir que seus resultados sejam confiáveis.

Os Resultados: Uma Corrida Contra o Tempo

O autor testou o MoreFit contra outras duas ferramentas famosas (RooFit e zfit) usando dois tipos de enigmas:

Um ajuste de massa simples: Como descobrir o peso de um objeto.
Um ajuste angular complexo: Como descobrir a rotação 3D de um objeto girando.

O Veredito:

O MoreFit foi frequentemente de 10 a 50 vezes mais rápido que a concorrência, especialmente ao lidar com grandes quantidades de dados.
Em um processador de computador padrão, foi significativamente mais rápido que os métodos antigos.
Em uma placa de vídeo (GPU) poderosa, foi quase uma ordem de magnitude (10x) mais rápido que o principal concorrente.

Resumo

O MoreFit é uma nova ferramenta que trata o ajuste de dados como um projeto de construção bem organizado. Ao desenhar um projeto inteligente, reescrever as instruções para eliminar o desperdício e usar uma enorme equipe de trabalhadores (GPUs e CPUs) simultaneamente, ele resolve problemas complexos de física em uma fração do tempo que levava antes. Isso permite que os cientistas façam mais ciência com menos tempo de espera e menos consumo de energia.

Resumo Técnico: MoreFit – Um Ajuste Mais Otimizado, Rápido e Eficiente

Definição do Problema

A estimativa de parâmetros via ajustes de máxima verossimilhança não binários é um pilar da física de partículas, oferecendo a vantagem de reter toda a informação sem as perdas associadas à binarização. No entanto, experimentos modernos geram volumes de dados sem precedentes (frequentemente $O(10^6)$ eventos) exigindo a determinação de conjuntos de parâmetros complexos (frequentemente $>100$ parâmetros). Além disso, a validação estatística rigorosa, como a correção de cobertura usando pseudo-experimentos (por exemplo, métodos de Feldman-Cousins), exige a realização de $O(10^5)$ ou mais ajustes por parâmetro. Essas demandas computacionais tornam as estruturas de ajuste tradicionais lentas e consumidoras de energia, necessitando de uma solução que possa explorar eficientemente o paralelismo em arquiteturas heterogêneas.

Metodologia

O MoreFit é uma estrutura de ajuste em C++ projetada especificamente para ajustes de máxima verossimilhança não binários, priorizando o paralelismo e a otimização automática. Sua estratégia central baseia-se em grafos de computação que são compilados em tempo de execução (JIT - just-in-time) para gerar kernels de execução para backends de hardware específicos.

Arquitetura Central

Grafos de Computação: As Funções de Densidade de Probabilidade (PDFs) são representadas como grafos de computação estruturados em árvore, contendo operações básicas, funções, variáveis e constantes. Esta estrutura facilita:
- Diferenciação Simbólica: A estrutura permite que o framework aplique automaticamente a regra da cadeia para calcular gradientes analíticos e matrizes Hessianas (segundas derivadas) necessários para minimização e estimativa de incerteza.
- Otimização Automática: Os grafos são analisados para identificar e otimizar cálculos redundantes.
Backends de Computação: O MoreFit utiliza padrões abertos para visar plataformas heterogêneas:
- Backend OpenCL: O padrão para GPUs, suportando os principais fabricantes. Ele gera kernels OpenCL C para avaliação de verossimilhança, cálculo de gradiente/Hessiana e geração de eventos. Emprega a soma de Kahan no acelerador para minimizar o overhead de transferência de dados entre host e dispositivo.
- Backend LLVM/Clang: Projetado para CPUs, este backend compila kernels C via JIT. Suporta vetorização Single Instruction Multiple Data (SIMD) e execução multithread via uma estratégia de pool de threads para evitar o overhead de criação de threads.

Técnicas de Otimização Automática

O MoreFit emprega várias estratégias de otimização automática inovadoras aplicadas aos grafos de computação:

Cache de Termos Dependentes de Parâmetros: Termos na função de verossimilhança que dependem apenas de parâmetros (como integrais de normalização) e não de dados de eventos específicos são identificados, calculados uma única vez no host por atualização de parâmetro e armazenados em buffer. Esses valores armazenados são passados como constantes para o kernel de computação, reduzindo significamente a complexidade do kernel.
Pré-computação de Termos Dependentes de Eventos: Para termos que dependem exclusivamente de variáveis de eventos (como termos angulares em uma análise de decaimento), o framework pode pré-computar esses valores em uma etapa de kernel separada. Os dados resultantes de maior dimensão são então usados em um kernel de verossimilhança simplificado, evitando a avaliação repetida de expressões complexas durante o loop de minimização.
Otimização de Geração de Pseudo-experimentos: Durante a geração de pseudo-dados, todos os parâmetros são fixos. O MoreFit trata os termos dependentes de parâmetros como constantes, simplificando drasticamente o grafo de geração. Ele suporta geração no próprio acelerador usando geradores de números pseudoaleatórios (ex: Xoshiro128++) para minimizar as transferências host-dispositivo.

Principais Contribuições

Introdução do Framework: A apresentação do MoreFit, uma biblioteca C++ leve e de dependências mínimas que não depende de TensorFlow ou ROOT (embora a compatibilidade com ROOT seja possível).
Compilação JIT e Otimização de Grafo: Uma abordagem inovadora onde os grafos de computação são automaticamente analisados e otimizados antes da compilação JIT, permitindo ganhos significativos de desempenho sem intervenção do usuário.
Suporte Heterogêneo: Uma interface unificada para execução tanto em GPUs (via OpenCL) quanto em CPUs (via LLVM/Clang com SIMD), garantindo ampla compatibilidade de hardware.
Derivadas Analíticas: A provisão de gradientes e Hessianas analíticas derivadas via diferenciação simbólica, o que melhora a velocidade de convergência em comparação com a diferenciação numérica.

Resultados

O artigo compara o desempenho do MoreFit (v0.1) contra o RooFit (v6.32.08) e o zfit (v0.24.2) utilizando uma CPU AMD 7950X3D e uma GPU NVIDIA Titan V. Dois cenários foram testados: um ajuste de massa 1D (4 parâmetros) e um ajuste angular multidimensional (8 parâmetros).

Ganhos de Desempenho:
- Ajuste de Massa: Na CPU com 16 threads, o MoreFit com derivadas analíticas foi até 2,4 vezes mais rápido que o backend SIMD do RooFit com estatísticas altas ( $N=10^6$ ). Na GPU, o MoreFit foi quase uma ordem de magnitude mais rápido que a implementação CUDA do RooFit em estatísticas altas.
- Ajuste Angular: O MoreFit demonstrou um aumento de velocidade de 6,6x sobre o backend SIMD do RooFit em uma única thread de CPU em estatísticas baixas, aumentando para ~11x em estatísticas intermediárias/altas. Na GPU, o MoreFit superou o zfit por um fator de 32–48, dependendo do tamanho do conjunto de dados.
Impacto das Derivadas Analíticas: O uso de derivadas analíticas reduziu significativamente o número de iterações de minimização (de ~85 para 2–3 no ajuste de massa; de ~200 para 2–3 no ajuste angular), levando a acelerações substanciais, particularmente em GPUs, onde o overhead de submissão de kernel é reduzido.
Escalabilidade: O MoreFit escala bem com a contagem de threads em CPUs, mostrando aumentos de velocidade de até uma ordem de magnitude em estatísticas altas quando usando 16 threads em comparação com uma única thread.

Significância e Perspectivas

O artigo afirma que o MoreFit demonstra o poder do uso de grafos de computação automaticamente otimizados para ajustes de parâmetros, alcançando melhorias de desempenho de uma ordem de magnitude ou mais sobre frameworks existentes. A significância reside em tornar técnicas estatísticas computacionalmente caras, como a correção de cobertura, viáveis e sustentáveis. Ao confiar em padrões abertos e independentes de fornecedores, o MoreFit visa ser amplamente utilizável em diversos hardwares.

Os autores reconhecem que o MoreFit está em um estágio inicial de desenvolvimento. As limitações atuais incluem uma pequena biblioteca de PDFs integrados e a falta de suporte para ajustes binários. Trabalhos futuros focarão na expansão da biblioteca de PDFs, implementação de correções de aceitação de propósito geral eficientes e exploração de capacidades de ajuste binário. O artigo conclui que ainda existe um potencial significativo para melhorar a velocidade e a eficiência em ajustes de máxima verossimilhança não binários, contribuando para o uso mais sustentável de recursos computacionais na física de partículas.

MoreFit: A More Optimised, Rapid and Efficient Fit