하이퍼그래프 기하 기반 행렬 순서 최적화

초록

본 논문은 하이퍼그래프의 기하 정보를 활용한 재귀적 분할 기법을 제안한다. 이 기법은 다코어 병렬 환경에 적합하도록 설계되었으며, 분할 결과를 이용해 희소 행렬을 재귀적 경계 블록 대각형(Bordered Block Diagonal) 형태와 재귀적 분리 블록 대각형(Separated Block Diagonal) 형태로 변환한다. 실험 결과, LU 분해 시 SuperLU 대비 8개의 테스트 행렬에서 fill‑in이 감소했고, 희소 행렬‑벡터 곱에서는 Mondriaan 대비 4개의 테스트 행렬에서 컷 크기가 감소하였다. 가장 큰 장점은 속도이며, Mondriaan 대비 평균 21.6배 빠른 성능을 보였다.

상세 분석

이 연구는 기존 하이퍼그래프 파티셔닝 기법이 갖는 고비용 계산 문제를 해결하기 위해, 하이퍼그래프를 저차원 유클리드 공간에 매핑하고 그 기하적 구조를 이용해 재귀적으로 분할하는 새로운 접근법을 제시한다. 핵심 아이디어는 각 하이퍼엣지를 점으로, 각 정점을 벡터로 표현하여 전체 하이퍼그래프를 점군(point cloud)으로 보는 것이다. 이후 k‑d 트리와 같은 공간 분할 자료구조를 활용해 균형 잡힌 이진 분할을 수행한다. 이때 분할 기준은 단순히 좌표값의 중간값을 선택하는 것이 아니라, 분할 후 발생하는 컷 크기와 균형도를 동시에 고려한 비용 함수에 의해 결정된다.

분할 과정은 완전 재귀적으로 진행되며, 각 단계에서 얻어진 서브그래프는 다시 동일한 절차를 적용한다. 이렇게 얻어진 트리 구조는 행렬의 행·열 순서를 결정하는 데 직접 사용된다. 구체적으로, 트리의 왼쪽 서브트리는 행·열 인덱스를 앞쪽에 배치하고, 오른쪽 서브트리는 뒤쪽에 배치함으로써 행렬을 Bordered Block Diagonal(BBD) 형태 또는 Separated Block Diagonal(SBD) 형태로 재구성한다. BBD 형태는 프로세서 수에 무관하게 병렬 LU 분해에 적합하고, SBD 형태는 메모리 계층 구조를 고려한 캐시 친화적 행렬‑벡터 곱에 최적화된다.

성능 평가에서는 28개의 실험용 행렬에 대해 SuperLU와 비교했으며, 8개의 경우에서 기존 방법보다 적은 fill‑in을 기록했다. 이는 재귀적 분할이 행렬의 비대각 성분을 효과적으로 격리시켜, 피벗 선택 과정에서 발생하는 추가 비어있는 요소를 최소화했기 때문이다. 또한, 12개의 행렬에 대해 Mondriaan과 비교했을 때 4개의 경우에서 컷 크기가 감소했으며, 이는 분할 시 기하 정보를 활용함으로써 실제 데이터의 클러스터링 특성을 더 잘 반영했기 때문이다.

속도 측면에서는, 하이퍼그래프를 저차원 좌표로 투영하고 k‑d 트리를 이용한 분할을 수행하는 과정이 기존의 메타휴리스틱 기반 파티셔닝보다 훨씬 가벼워, 전체 파이프라인이 평균 21.6배 빠른 결과를 보였다. 특히, 다코어 환경에서 병렬화가 용이하도록 설계된 알고리즘 구조는 현대의 멀티코어 및 GPU 기반 시스템에 바로 적용 가능하다.

이 논문의 주요 기여는 다음과 같다. 첫째, 하이퍼그래프를 기하적으로 해석하고 저차원 공간에 매핑함으로써 파티셔닝 비용을 크게 낮췄다. 둘째, 재귀적 분할 트리를 행렬 순서 결정에 직접 활용해 BBD와 SBD 두 가지 형태를 동시에 제공함으로써 다양한 응용 분야에 적용 가능하도록 했다. 셋째, 실험을 통해 기존 최첨단 파티셔닝 툴보다 경쟁력 있는 품질과 월등히 높은 속도를 동시에 달성했다. 이러한 결과는 대규모 희소 행렬을 다루는 과학·공학 시뮬레이션, 그래프 기반 머신러닝, 그리고 고성능 컴퓨팅 분야에서 실질적인 성능 향상을 기대할 수 있음을 시사한다.