Razvoj i analiza metoda paralelizacije višeskalnih modela mišića

Abstract

Višeskalni model mišićne kontrakcije obuhvata fizičke i biohemijske procese koji se odvijaju na više prostornih i vremenskih skala. Zbog velike računske složenosti, ovakvi modeli mogu biti upotrebljivi samo primenom tehnika paralelizacije i upotrebom računarskih resursa visokih performansi. Postojeća rešenja za ubrzavanje višeskalnih simulacija mišića su oslonjena na univerzalne softverske okvire za paralelizaciju višeskalnih modela. Ona podrazumevaju upotrebu skupe računarske opreme visokih performansi, što stvara visoku cenu troškova eksploatacije i čini preskupom njihovu upotrebu u svakodnevnoj kliničkoj praksi. Pored toga, nijedno od rešenja ne koristi nikakvu metodologiju kojom bi se specifična znanja o domenu iskoristila u svrhu boljeg iskorišćenja raspoloživih računarskih resursa. Ova disertacija je rezultat istraživanja vezanih za prevazilaženje ova dva nedostatka postojećih rešenja. U disertaciji je uveden koncept distribuiranja proračuna višeskalnih modela mišića u okruženju sastavljenom od standardnih procesorskih jezgara i grafičkih procesorskih jedinica. Koncept je primenjen u kontekstu dvoskalnog modela mišića, u kojem je model konačnih elemenata na makroskali uparen sa Haksli modelom kinetike poprečnih mostova na mikro skali. Paralelno rešenje je bazirano na statičkoj dekompoziciji domena mikromodela. Uvedeni koncept je implementiran kao softverska platforma, Mexie, koja predstavlja prenosivo i proširivo softversko rešenje modularne arhitekture. Platforma koristi specifičan metod raspoređivanja poslova prilagođen heterogenom izvršnom okruženju, gde se u obzir uzimaju različite brzine izračunavanja i memorijska ograničenja resursa. Algoritam raspodele uzima u obzir i različitost u računskoj kompleksnosti mikromodela. Kako kompleksnost mikromodela ne može biti precizno određena pre izvršenja dvoskalne simulacije, definisana je metodologija za procenu. Metodologija je bazirana na upotrebi Hilovog fenomenološkog modela za predviđanje stanja i ulaznih parametara mikromodela tokom dvoskalne simulacije. Na osnovu procenjenih vrednosti, specifičan alat za procenu, obučen tehnikama mašinskog učenja, procenjuje računsku kompleksnost svih mikromodela. Implementirano rešenje je verifikovano na testnim modelima, kao i na realnom modelu, pokazujući visoku iskorišćenost raspoloživih resursa, čvrsto skaliranje i ubrzanja od dva reda veličine u odnosu na sekvencijalnu varijantu. Zahvaljujući efikasnosti modela i značajnom poboljšanju odnosa cena/performanse, otvoren je put za nova istraživanja u oblasti fiziologije mišića i napravljen značajan korak u smeru upotrebe višeskalnih modela mišića u budućoj kliničkoj praksi.

Multi-scale models of muscle contraction rely on the integration of physical and biochemical properties across multiple length and time scales, consequentially they are highly CPU consuming. Feasible usage of these models can be reached only by employing high performance computing environments. Existing efforts for accelerating multi-scale muscle simulations lean on general purpose parallelization techniques and frameworks. These solutions imply the usage of expensive large-scale computational resources, which produces overwhelming costs for the everyday practical application of such models. Additionally, none of them employ any methodology based on specific model domain knowledge to provide customized resource utilization. The thesis resulted from the investigations addressed to both of these deficiencies. The dissertation introduces concept of the distributed calculations of the multi-scale muscle models in a mixed CPU–GPU environment in order to improve computational speed within a reasonable budget. The concept is applied to a two-scale muscle model, in which a finite element macro model is coupled with the microscopic Huxley kinetics model. The parallel solution is based on decomposition of the micro model domain and static scheduling policy. Computations related to Huxley models run on both CPUs and GPUs, while finite element calculations are executed sequentially and solely on the CPU. Introduced concept is implemented as a software platform, Mexie, which represents a portable and extensible software solution with modular architecture. The platform uses a specific load balancing method customized for heterogeneous execution environments. It takes into account differences in computational speeds and memory limits of available computing resources. Additionally, the dispatch algorithm considers computational weights of each micro model, providing more balanced workload. Since these computational weights could not be known before exact two-scale simulation run, a novel methodology for assessing their values is introduced. The methodology uses simple Hill phenomenological model in order to predict model states and input parameters of all micro models during two-scale simulation. These estimated data is then used by specific predictor tool, trained by machine learning techniques, for assessing micro model computational complexities. Implemented solution was verified on both benchmark and real-world example, showing high utilization of involved processing units, strong scalability and speed-up of two orders of magnitude compared to the sequential CPU run. This major improvement in computational feasibility and significant lowering of price-to-performance ratio of the multi-scale muscle models paves the way for new discoveries in the field of muscle modeling and usage of shuch models in the future clinical applications, as well.