Impacts of floating-point non-associativity on reproducibility for HPC and deep learning applications

要約

浮動小数点非結合性 (FPNA) によって引き起こされる並列プログラムの実行ごとの変動は、エラーが蓄積するため、反復アルゴリズムの再現性に大きな影響を与えることが知られています。
再現性がないことは、確率的プログラムの正当性テストの効率と有効性に悪影響を及ぼします。
最近、FPNA に対するディープ ラーニング (DL) トレーニングと推論パイプラインの感度が極度に高いことが判明し、商用アプリケーションの認証、堅牢性と感度の正確な評価、バグ検出が妨げられる可能性があります。
科学計算アプリケーションにおける新しいアプローチにより、DL モデルとハイパフォーマンス コンピューティング (HPC) シミュレーションが結合され、デバッグとテストの課題が悪化しています。
ここでは、最新の並列プログラミング モデル内で FPNA の統計的特性を調査し、アトミック操作を GPU 上の決定論的代替手段に置き換えることによるパフォーマンスと生産性への影響を分析し、GPU 展開のコンテキスト内で PyTorch フレームワーク内に最近追加された決定論的オプションを調査します。
、実行ごとの変動を引き起こす入力パラメータの影響を明らかにして定量化し、ドキュメントの信頼性と完全性について報告します。
最後に、DL パイプラインの推論部分に Groq LPU$^{TM}$ アクセラレータを使用して、決定論的ハードウェアによって提供される自動決定論を活用する戦略を評価します。
この戦略が再現性と正確性の取り組みの中で提供できる利点を実証します。

要約(オリジナル)

Run-by-run variability in parallel programs caused by floating-point non-associativity (FPNA) has been known to significantly affect reproducibility in iterative algorithms, due to accumulating errors. Non-reproducibility negatively affects efficiency and effectiveness of correctness testing for stochastic programs. Recently, the sensitivity of deep learning (DL) training and inference pipelines to FPNA have been found to be extreme, and can prevent certification for commercial applications, accurate assessment of robustness and sensitivity, and bug detection. New approaches in scientific computing applications have coupled DL models with high-performance computing (HPC) simulations, leading to an aggravation of debugging and testing challenges. Here we perform an investigation of the statistical properties of FPNA within modern parallel programming models, analyze performance and productivity impacts of replacing atomic operations with deterministic alternatives on GPUs, and examine the recently-added deterministic options within the PyTorch framework within the context of GPU deployment, uncovering and quantifying the impacts of input parameters triggering run-by-run variability and reporting on the reliability and completeness of the documentation. Finally, we evaluate the strategy of exploiting automatic determinism provided by deterministic hardware, using the Groq LPU$^{TM}$ accelerator for inference portions of the DL pipeline. We demonstrate the benefits that this strategy can provide within reproducibility and correctness efforts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google