VecAmpFit: vectorized amplitude-analysis fitting library

O artigo apresenta a nova biblioteca VecAmpFit, desenvolvida para a análise de amplitude do experimento Belle II, que realiza ajustes multidimensionais com cálculo de gradiente explícito, suporte a conjuntos de dados simultâneos e subprogramas explicitamente vetorizados para implementação de amplitude.

O essencial

Imagine que você é um detetive tentando reconstruir o que aconteceu em um acidente de carro muito complexo. Você tem milhares de fotos dos destroços (os dados), mas as peças estão espalhadas, algumas estão quebradas (ruído de fundo) e a câmera que tirou as fotos tinha um pouco de tremor (resolução imperfeita). Sua missão é descobrir exatamente como os carros colidiram, quais peças se soltaram e com que força.

No mundo da física de partículas, os "acidentes" são colisões de partículas subatômicas, e os "detetives" são cientistas tentando entender a natureza da matéria. O problema é que existem bilhões de colisões e os cálculos para entender o que aconteceu são tão complexos que computadores comuns demorariam anos para processar tudo.

É aqui que entra o VecAmpFit, a nova ferramenta apresentada neste artigo. Vamos explicar como ela funciona usando analogias do dia a dia:

1. O Problema: A Montanha de Papel

Antes do VecAmpFit, os cientistas usavam métodos tradicionais para analisar esses dados. Imagine tentar ler um livro inteiro, palavra por palavra, sozinho, em uma sala escura. Você consegue, mas demora muito. Além disso, se você precisar reler o livro 100 vezes para encontrar um erro, a tarefa se torna impossível.

Na física, isso é chamado de "análise de amplitude". É como tentar adivinhar a receita de um bolo gigante apenas provando migalhas, sabendo que o forno (o detector) distorceu o sabor e que há migalhas de outros bolos misturadas (o fundo).

2. A Solução: O Exército de Leitores (Vectorização)

O segredo do VecAmpFit é a vectorização.

• O Método Antigo: Era como ter um único leitor que lia uma página de cada vez.
• O Método VecAmpFit: É como ter um exército de 64 leitores (ou mais) trabalhando em sincronia. Em vez de processar um evento de colisão de cada vez, o software processa 64 eventos ao mesmo tempo.

Pense nisso como uma fábrica de montagem. O método antigo montava um carro de cada vez. O VecAmpFit tem uma esteira onde 64 carros são montados simultaneamente. Isso torna o processo absurdamente mais rápido. O nome "VecAmpFit" vem de "Vectorized Amplitude Fitting" (Ajuste de Amplitude Vetorizado).

3. A Ferramenta de Precisão (Cálculo de Gradiente)

Para encontrar a melhor resposta, o software precisa saber se está "subindo" ou "descendo" uma montanha de possibilidades.

• Sem gradiente: É como tentar achar o ponto mais baixo de um vale no escuro, dando passos aleatórios e sentindo o chão com o pé. É lento e você pode ficar preso em um buraco pequeno.
• Com gradiente (funcionalidade do VecAmpFit): É como ter um GPS que diz exatamente "você precisa descer 5 metros para o norte". O VecAmpFit calcula essa direção matematicamente, permitindo que o ajuste dos dados seja muito mais rápido e preciso.

4. O Laboratório de Testes (Comparação)

Os autores do artigo testaram essa nova ferramenta contra duas outras famosas:

1. Laura++ (O Método Clássico): É como um artesão muito habilidoso, mas que trabalha apenas com uma ferramenta de cada vez. O VecAmpFit foi 4 a 5 vezes mais rápido que ele no processador do computador (CPU).
2. TensorFlowAnalysis2 (O Método Moderno de IA): É como usar um robô superpotente. No computador normal, o VecAmpFit foi mais de 10 vezes mais rápido que esse robô! Isso é impressionante, pois geralmente as ferramentas de Inteligência Artificial são vistas como as mais rápidas.

Por que o robô (TensorFlow) perdeu no computador?
Porque o VecAmpFit foi feito sob medida para a arquitetura do computador, sem desperdício de energia. O robô de IA gasta muita energia tentando ser "inteligente" e genérico, o que o torna lento para tarefas específicas de física.

5. O Desafio do Futuro (GPUs)

A única vez que o "robô de IA" (TensorFlow) venceu foi quando usaram uma placa de vídeo (GPU) para fazer o trabalho. É como se o robô tivesse um motor de Ferrari para rodar em pistas de corrida (GPUs), enquanto o VecAmpFit ainda estava usando um motor de caminhão adaptado.

• O VecAmpFit ainda está aprendendo a usar essas placas de vídeo de forma eficiente. É uma área experimental.
• O objetivo: No futuro, o VecAmpFit quer ser o "caminhão turbo" que roda tão bem em placas de vídeo quanto em processadores comuns.

Resumo da História

O VecAmpFit é uma nova biblioteca de software criada para ajudar os físicos do experimento Belle II (no Japão) a analisar dados de colisões de partículas.

• O que faz: Transforma uma tarefa que levaria meses em algo que leva dias ou horas.
• Como faz: Agrupa os dados em pacotes grandes (vetores) para processar tudo de uma vez e usa matemática avançada para saber exatamente para onde ir na busca pela resposta.
• Resultado: É extremamente rápido em computadores normais, superando tanto os métodos antigos quanto as ferramentas modernas de Inteligência Artificial.

É como trocar uma bicicleta de roda única por um trem de alta velocidade: a viagem é a mesma, mas você chega ao destino com uma velocidade que antes parecia impossível.

Resumo técnico

Título: VecAmpFit: Biblioteca de ajuste de análise de amplitude vetorizada

1. Problema e Motivação

As análises de amplitude em física de altas energias (como as realizadas no experimento Belle II) envolvem o ajuste de dados experimentais a densidades de probabilidade complexas que descrevem decaimentos de partículas. O principal gargalo computacional reside na necessidade de calcular intensivamente integrais de normalização da densidade de sinal e na avaliação de funções de verossimilhança para milhões de eventos de dados e Monte Carlo (MC).

• Desafio: Os programas de ajuste tradicionais, muitas vezes escritos em linguagens imperativas (C++, Fortran), não exploram plenamente o paralelismo de dados (SIMD - Single Instruction, Multiple Data) moderno, resultando em tempos de processamento longos.
• Necessidade: É crucial otimizar esses códigos para permitir análises multidimensionais complexas (com mais de duas dimensões no espaço de fase) e simultâneas (múltiplos conjuntos de dados), que são essenciais para descobrir novos estados hadrônicos e determinar números quânticos.

2. Metodologia

A biblioteca VecAmpFit foi desenvolvida como uma solução híbrida (Fortran 2018 para cálculos de amplitude e C++ para controle do ajuste) focada em alto desempenho através de três pilares principais:

• Vetorização Explícita:

  • Ao invés de processar eventos um por um (escalar), a biblioteca opera em vetores de dados de comprimento fixo (ex: 1, 2, 4, 8, 16, 32, 64).
  • Os dados de entrada (eventos) e os buffers de parâmetros são armazenados em estruturas vetorizadas.
  • As sub-rotinas de amplitude e densidade de sinal são implementadas para operar simultaneamente em todo o vetor de eventos, explorando instruções SIMD da CPU.
  • O usuário deve implementar as funções de densidade de sinal e fundo de forma vetorizada, utilizando uma interface específica que recebe buffers de eventos e parâmetros.

• Cálculo Explícito de Gradiente:

  • O ajustador suporta o cálculo manual e explícito do gradiente da função de verossimilhança em relação aos parâmetros de ajuste.
  • Isso permite o uso de algoritmos de minimização mais eficientes (como o algoritmo de Fletcher/MI-GRAD do MINUIT), reduzindo o número de chamadas de função necessárias para convergir, embora exija que o usuário implemente as derivadas analíticas.

• Paralelismo e Integração:

  • Suporta paralelismo em nível de thread via OpenMP.
  • Oferece suporte experimental para offloading para GPUs via OpenACC.
  • Permite o ajuste simultâneo de múltiplos conjuntos de dados (ex: diferentes energias de feixe ou diferentes canais de decaimento) compartilhando parâmetros comuns.
  • Implementa três métodos de integração para normalização: Monte Carlo, grade (grid) e fórmula simbólica.

3. Contribuições Chave

• Nova Abordagem Imperativa Otimizada: Diferente de frameworks declarativos baseados em aprendizado de máquina (como TensorFlow), o VecAmpFit mantém a abordagem imperativa tradicional, mas supera suas limitações de desempenho através de vetorização manual e explícita.
• Arquitetura Modular: A biblioteca é dividida em componentes:
  • vecampfit-real: Operações de ponto flutuante.
  • vecampfit-arbitrary-precision: Aritmética de precisão arbitrária para constantes matemáticas e coeficientes.
  • vecampfit: Núcleo com funções físicas (fatores cinemáticos, formas de onda de Blatt-Weisskopf, amplitudes de Breit-Wigner, formalismo de helicidade), estatística e o ajustador.
• Ferramentas de Geração de Código: Inclui um processador (vecampfit-fortran) que gera automaticamente interfaces Fortran, cabeçalhos C e documentação, além de uma ferramenta para gerar código de polinômios para parametrização de eficiências.
• Flexibilidade de Modelo: Não está limitada a um modelo específico; o usuário define a densidade de sinal e fundo, permitindo a implementação de modelos isóbaros, matrizes K, e formalismos covariantes ou de helicidade.

4. Resultados e Desempenho

Os testes de desempenho foram realizados comparando o VecAmpFit com dois frameworks existentes: Laura++ (imperativo tradicional) e TensorFlowAnalysis2 (declarativo baseado em TensorFlow).

• Comparação com Laura++ (CPU):

  • O VecAmpFit foi 4 a 5 vezes mais rápido que o Laura++ em ajustes de decaimentos de três corpos ($D^0 \to K^-\pi^+\pi^0$ e $B^+ \to K^+K^+K^-$).
  • A vetorização e o uso de gradiente explícito foram os principais fatores de melhoria.
  • O comprimento de vetor ideal depende do tamanho dos registradores vetoriais da CPU (ex: AVX de 256 bits), com ganhos de desempenho de até 5,4x em relação à versão escalar.

• Comparação com TensorFlowAnalysis2 (CPU vs. GPU):

  • CPU: O VecAmpFit foi mais de uma ordem de magnitude (10x a 20x) mais rápido que o TensorFlowAnalysis2. O TensorFlow sofre de sobrecarga de inicialização e ineficiência em CPUs para este tipo de carga de trabalho específica.
  • GPU: A situação inverte-se. O TensorFlowAnalysis2, otimizado para GPU, foi cerca de 10 vezes mais rápido que o VecAmpFit em testes de offloading para GPU. O desempenho do VecAmpFit em GPU é atualmente limitado por problemas de compilação com OpenACC e falta de otimização madura para esse ambiente.

• Precisão: Os resultados dos ajustes (parâmetros de amplitude, massas e larguras) foram consistentes entre as diferentes bibliotecas e métodos, validando a corretude matemática do VecAmpFit.

5. Significância

O VecAmpFit representa um avanço significativo na análise de dados de física de altas energias ao demonstrar que é possível obter desempenho superior em CPUs modernas através de uma implementação imperativa cuidadosamente vetorizada, sem a necessidade de migrar para ecossistemas de aprendizado de máquina.

• Impacto Imediato: Permite que colaborações como a do Belle II realizem análises multidimensionais complexas e simultâneas em tempos de computação viáveis.
• Futuro: Embora o suporte a GPU ainda seja experimental e inferior ao de frameworks declarativos, a biblioteca estabelece uma base sólida para otimização de CPU. O desenvolvimento futuro focará em melhorar o suporte a GPU e expandir a automação para reduzir a carga de implementação manual de vetores e gradientes pelos usuários.

Em resumo, o VecAmpFit oferece uma solução de alto desempenho para análises de amplitude que equilibra o controle total do usuário (imperativo) com a eficiência computacional moderna, preenchendo uma lacuna importante entre as ferramentas tradicionais e as novas abordagens baseadas em IA.