Multi-GPU fast Fourier transforms in MATLAB (for large-scale phase-field crystal simulations)

Este artigo apresenta um framework baseado em MATLAB para realizar transformadas de Fourier rápidas em múltiplas GPUs, superando limitações de memória e acelerando significativamente simulações de grande escala de cristais de campo de fase em comparação com implementações puramente baseadas em CPU.

O essencial

Imagine que você é um chef de cozinha tentando preparar um banquete gigante (uma simulação científica complexa) para milhares de pessoas. O problema é que sua cozinha (o computador) tem apenas uma mesa de trabalho muito pequena. Se você tentar colocar todos os ingredientes de uma vez, a mesa transborda e o caos se instala.

Este artigo apresenta uma solução genial para esse problema, usando o MATLAB (uma linguagem de programação popular para cientistas) e várias placas de vídeo (GPUs) trabalhando juntas.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: A Cozinha Pequena e o Banquete Gigante

Os cientistas estudam como os cristais se formam e evoluem (como neve caindo ou metais resfriando). Para fazer isso, eles usam uma equação matemática muito complicada chamada Modelo de Cristal de Campo de Fase (PFC).

• A Dificuldade: Para ver os detalhes minúsculos (como átomos individuais), eles precisam de uma "resolução" altíssima. Isso gera uma quantidade enorme de dados.
• O Gargalo: Um único computador potente (uma única GPU) tem uma memória limitada. É como tentar guardar uma montanha de ingredientes em uma geladeira de micro-ondas. Não cabe. Além disso, os cálculos necessários para transformar esses dados (chamados de Transformadas de Fourier) são lentos se feitos apenas pelo processador comum (CPU).

2. A Solução: Uma Equipe de Cozinheiros (Multi-GPU)

Os autores criaram um sistema que permite usar várias placas de vídeo ao mesmo tempo no MATLAB. Eles propõem duas estratégias diferentes, dependendo do tipo de problema:

Estratégia A: Dividir a Pizza (Para um problema gigante)

Imagine que você tem uma pizza gigante que não cabe em nenhuma bandeja individual.

• Como funciona: Em vez de tentar cortar a pizza inteira em uma só bandeja, vocês cortam a pizza em fatias longas (como fatias de um bolo) e distribuem uma fatia para cada cozinheiro (cada GPU).
• O Trabalho: Cada cozinheiro prepara a sua fatia. Depois, eles se comunicam rapidamente para trocar pedaços de borda e montar a pizza inteira novamente.
• Resultado: Conseguem cozinhar pizzas que seriam impossíveis de fazer em uma única cozinha. Isso acelerou as simulações em 6 vezes comparado a usar apenas processadores comuns.

Estratégia B: A Linha de Montagem Especializada (Para problemas complexos)

Agora imagine que o banquete não é apenas uma pizza, mas um prato complexo com massa, molho e recheio, e cada um precisa de um preparo diferente.

• Como funciona: Em vez de dividir a pizza, vocês dividem as tarefas.
  • O Cozinheiro 1 cuida apenas da massa (o campo de densidade).
  • O Cozinheiro 2 cuida apenas do molho (o campo de velocidade).
  • O Cozinheiro 3 cuida do recheio (outro campo físico).
• O Trabalho: Cada um trabalha no seu ingrediente favorito em sua própria mesa. No final de cada passo da receita, eles trocam os ingredientes necessários para o próximo passo.
• Resultado: Isso é ainda mais eficiente para simulações super complexas (como fluidos e cristais juntos). Acelerou o processo em até 60 vezes!

3. Por que isso é importante?

Antes desse trabalho, se você quisesse simular um cristal gigante ou um fenômeno físico complexo no MATLAB, você ficava preso à memória de uma única placa de vídeo ou teria que usar centenas de processadores lentos (CPU).

• O Ganho: Eles mostraram que é possível usar o poder das placas de vídeo modernas (como as NVIDIA H100) de forma inteligente no MATLAB.
• A Inovação: Eles criaram o primeiro sistema no MATLAB que faz isso de forma nativa, permitindo que cientistas rodem simulações que antes eram impossíveis ou levavam dias para serem concluídas.

Resumo da Ópera

Pense nisso como transformar uma corrida de um cavalo solitário em uma corrida de revezamento com uma equipe olímpica.

• Em vez de um único cavalo cansado tentando carregar todo o peso, você tem vários cavalos fortes, cada um carregando uma parte da carga ou uma parte da tarefa.
• Eles passam a "bastão" (os dados) entre si rapidamente.
• O resultado? A meta é alcançada muito mais rápido e com cargas muito maiores do que qualquer cavalo sozinho conseguiria.

Os cientistas disponibilizaram esse código gratuitamente na internet, permitindo que qualquer pessoa com acesso a várias placas de vídeo possa fazer essas simulações incríveis agora mesmo.

Resumo técnico

Resumo Técnico: Transformadas Rápidas de Fourier Multi-GPU em MATLAB para Simulações de Cristal de Campo de Fase em Grande Escala

1. Problema e Motivação

As simulações numéricas em grande escala baseadas no método pseudo-espectral de Fourier, particularmente para modelos de Cristal de Campo de Fase (PFC - Phase-Field Crystal), enfrentam um gargalo crítico: a limitação de memória e desempenho de GPUs individuais.

• Natureza do Modelo: Os modelos PFC resolvem a ordem cristalina em escalas atômicas enquanto evoluem em escalas de tempo difusivas grandes. Eles são governados por equações diferenciais parciais (EDPs) de décima ordem, exigindo alta resolução espacial e domínios periódicos extensos.
• O Gargalo: A abordagem pseudo-espectral requer transformadas rápidas de Fourier (FFTs) multidimensionais repetidas a cada passo de tempo. Para problemas de grande escala (ex: domínios 3D com resolução de $1400^3$), os dados excedem a memória de uma única GPU, impedindo a execução ou forçando o uso de implementações puramente baseadas em CPU, que são significativamente mais lentas.
• Limitação Atual: Até o momento, não existia uma implementação dedicada de FFT multi-GPU no MATLAB, nem para simulações PFC específicas, nem como uma ferramenta geral.

2. Metodologia

Os autores desenvolveram um framework em MATLAB que implementa duas estratégias complementares para superar as limitações de memória e acelerar os solvers espectrais em múltiplas GPUs:

• Estratégia 1: FFT Única Distribuída (Decomposição de Domínio)

  • Abordagem: Uma única FFT de alta dimensão (ex: 3D) é distribuída entre várias GPUs.
  • Técnica: Utiliza-se a decomposição em "slabs" (fatias) ao longo de uma dimensão (ex: eixo z).
  • Fluxo de Trabalho:
    1. Cada GPU realiza FFTs locais 2D.
    2. Ocorre comunicação ponto-a-ponto (P2P) entre GPUs para redistribuir os dados (transposição de matriz).
    3. Realiza-se a FFT final 1D ao longo da dimensão restante.
  • Objetivo: Permitir a resolução de problemas cujos tamanhos de dados superam a memória de qualquer GPU individual.

• Estratégia 2: Múltiplas FFTs Concorrentes (Atribuição de Campos)

  • Abordagem: Diferentes campos físicos (variáveis do sistema) são atribuídos a GPUs separadas.
  • Aplicação: Ideal para extensões de multipísica (ex: PFC hidrodinâmico), onde o sistema evolui simultaneamente campos de densidade, velocidade, temperatura, etc.
  • Fluxo de Trabalho: Cada GPU calcula a evolução temporal do seu campo atribuído. Após cada passo de tempo, ocorre comunicação sincronizada para trocar os dados necessários entre os campos (ex: o campo de densidade é enviado para as GPUs que calculam a velocidade).
  • Objetivo: Acelerar a evolução de sistemas com múltiplas variáveis acopladas, explorando o paralelismo de tarefas.

Implementação:
O código é escrito em MATLAB, utilizando a função spmd (Single Program, Multiple Data) para gerenciar sessões paralelas em GPU. O framework é projetado para ser acessível e extensível, introduzindo a primeira implementação de FFT multi-GPU nativa no ecossistema MATLAB.

3. Principais Contribuições

1. Primeira Implementação Multi-GPU em MATLAB: Preenche uma lacuna significativa no software científico, permitindo que usuários de MATLAB explorem a aceleração de múltiplas GPUs sem depender de bibliotecas externas complexas ou de C++/CUDA puro.
2. Estratégias Híbridas: Apresenta duas abordagens distintas (decomposição de domínio vs. decomposição de campos) que cobrem diferentes cenários de simulação (grandes domínios vs. múltiplas variáveis).
3. Aplicação a PFC de Grande Escala: Valida o método em simulações 2D e 3D de cristais de campo de fase, incluindo extensões hidrodinâmicas complexas.
4. Código Aberto: O framework foi disponibilizado publicamente no GitHub sob licença MIT, promovendo a reprodutibilidade e o desenvolvimento comunitário.

4. Resultados e Desempenho

Os benchmarks foram realizados em clusters HPC da TU Dresden (NHR Center), utilizando GPUs NVIDIA H100 e A100, comparados com execuções em CPUs (Intel Xeon Platinum com 100 núcleos).

• Simulações PFC Padrão (Estratégia 1):

  • Para tamanhos de problema de $750^3$ a $1400^3$, o framework alcançou um aceleração de aproximadamente 6 vezes em comparação com a implementação puramente baseada em CPU.
  • Permitiu a execução de simulações que seriam impossíveis na memória de uma única GPU.

• Extensões de Multipísica (Estratégia 2):

  • Para o modelo PFC hidrodinâmico 3D (envolvendo campos de densidade e velocidade acoplados), o uso de 4 GPUs resultou em acelerações de até 60 vezes em relação à execução em CPU.
  • A estratégia demonstrou ser particularmente eficaz para domínios computacionais grandes onde simulações de GPU única são inviáveis.

5. Significância e Impacto

Este trabalho é significativo por democratizar o acesso a simulações de alto desempenho em grande escala dentro do ambiente MATLAB, uma linguagem amplamente utilizada em ciência e engenharia.

• Escalabilidade: Permite que pesquisadores realizem simulações de microestrutura, defeitos e evolução de fronteiras de grãos em escalas antes restritas a supercomputadores de CPU ou códigos de baixo nível.
• Flexibilidade: A abordagem é aplicável não apenas ao PFC, mas a qualquer modelo baseado em métodos pseudo-espectrais que exija FFTs multidimensionais intensivas.
• Futuro: A estratégia de distribuição de campos abre caminho para simulações de sistemas complexos de multipísica e formulações de amplitude complexa, que exigem a evolução simultânea de dezenas de campos acoplados.

Em suma, o artigo fornece uma solução robusta e acessível para o gargalo de memória e computação em simulações espectrais, transformando o MATLAB em uma plataforma viável para cálculos de fronteira em ciência de materiais computacional.