BES III에서 GPU를 활용한 부분파 분석

초록

본 논문은 베이징 스펙트로미터 III(BES III) 실험에서 대용량 데이터에 대한 부분파 분석(PWA)을 GPU 기반으로 가속화한 프레임워크인 GPUPWA를 소개한다. OpenCL을 이용해 구현했으며, 기존 Fortran 단일 스레드 코드 대비 150배 이상, CPU 멀티스레드 대비 100배 이상의 속도 향상을 보였다.

상세 분석

부분파 분석은 복잡한 중간 공명들의 진폭과 위상을 동시에 추정해야 하는 고차원 비선형 최적화 문제이다. 이벤트마다 동일한 복소 진폭을 계산하고, 전체 데이터와 대규모 몬테카를로(MC) 샘플에 대해 적분을 수행해야 하므로 연산량이 N × Ndata × Nwave² 로 급격히 증가한다. 논문은 이러한 연산이 “완전히 독립적인” 특성을 갖기에 SIMD 구조에 최적화된 GPU가 이상적임을 강조한다.

GPU 구현에서는 단정밀도(float) 연산을 대부분 사용하고, 최종 누적 합계만을 double precision으로 수행해 정밀도 손실을 최소화한다. 이는 GPU 내부에서 발생하는 트리형 합산(tree‑summation) 방식이 전통적인 순차 누적보다 반올림 오류가 적어, 대규모 이벤트 집합에서도 CPU와 동등하거나 더 높은 정확도를 제공한다는 점에서 의미가 크다.

프레임워크는 기존의 저수준 CUDA·CAL 대신 벤더 독립적인 OpenCL을 채택했으며, 초기에는 AMD 전용 Brook+ 라이브러리를 사용하였다. Brook+는 높은 수준의 추상화를 제공해 개발자가 GPU 세부 사항을 신경 쓰지 않고 C++ 코드만으로 PWA를 구현할 수 있게 한다. 이후 OpenCL로 포팅하면서 메모리 할당 제한이 완화되고 컴파일러 최적화가 개선돼 추가적인 35% 속도 향상을 얻었다.

성능 평가에서는 Intel Core 2 Quad 2.4 GHz와 2 GB RAM, AMD Radeon 4870(512 MB) 환경을 사용했다. 동일한 J/ψ → γ K⁺K⁻ 분석을 Fortran 단일 스레드, Brook+ 기반 GPU, OpenCL 기반 GPU 세 가지 구현으로 비교했으며, GPU 구현이 150배 이상, OpenCL 구현이 추가 35% 가속을 달성했다. 다만 전체 실행 시간은 데이터 입출력(I/O)와 플롯 생성 단계가 병목이 되어, 계산 자체의 최적화보다 전체 워크플로우 개선이 필요함을 지적한다.

또한 OpenCL의 벤더 독립성에도 불구하고, CPU 측 데이터 구조(vector 타입) 구현 차이로 인해 macOS 이식에 어려움이 있었다는 실무적 교훈을 제공한다. 마지막으로 복소 파라미터를 효율적으로 다루는 피팅 알고리즘 부재가 현재의 한계로 남아 있으며, 복소수 전용 미니마이저 개발이 향후 과제로 제시된다.