[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,165 @@
|
||||
id: wiki-2026-0508-parallel-computing
|
||||
title: Parallel Computing
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [PARALLEL-001]
|
||||
aliases: [Parallel Processing, Concurrent Computing, HPC]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, high-performance-computing, gpu, Distributed-Systems]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [hpc, parallelism, gpu, distributed]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python-cuda
|
||||
framework: jax-pytorch-mpi
|
||||
---
|
||||
|
||||
# Parallel Computing (병렬 컴퓨팅)
|
||||
# Parallel Computing
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "동시에 여러 일을 처리하여 시간의 장벽을 넘어서라" — 하나의 커다란 문제를 여러 개의 작은 문제로 나누어 여러 프로세서가 동시에 계산하게 함으로써 연산 속도를 비약적으로 향상시키는 기법.
|
||||
## 매 한 줄
|
||||
> **"매 multiple computations 매 simultaneously 실행"**. 매 Flynn taxonomy (SISD/SIMD/MIMD) 부터 매 modern GPU SIMT, 매 distributed cluster (MPI, NCCL), 매 Llama 3.x 405B 의 4D parallelism (DP/TP/PP/SP) 까지. 매 2026 의 default workload 매 inference / training 의 parallel 이 매 single-core sequential 압도.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 연산 독립성이 있는 작업들을 식별하여 물리적으로 분리된 여러 연산 장치(CPU 코어, GPU)에 할당하고 동시에 실행하는 처리 패턴.
|
||||
- **세부 내용:**
|
||||
- **Data Parallelism:** 데이터를 쪼개어 여러 프로세서가 동일한 연산을 수행 (예: 행렬 곱셈).
|
||||
- **Task Parallelism:** 서로 다른 작업을 여러 프로세서가 나누어 수행.
|
||||
- **Shared vs Distributed [[memory|memory]]:** 연산 장치들이 메모리를 공유하는지, 각자 독립된 메모리를 사용하는지에 따른 통신 방식 차이.
|
||||
- **GPU Computing:** 수천 개의 코어를 활용하여 딥러닝과 같은 대규모 병렬 연산에 특화된 환경 제공.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단일 코어 클럭 성능 향상에 의존하던 시대를 지나, 멀티 코어와 이기종 컴퓨팅(Heterogeneous Computing)이 표준이 된 시대로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 대규모 위키 인덱싱 작업 시, 병렬 컴퓨팅 기법을 적용하여 수천 개의 문서를 수 분 내에 처리함.
|
||||
### 매 Flynn's taxonomy
|
||||
- **SISD**: 매 single instruction, single data — 매 classic CPU.
|
||||
- **SIMD**: 매 single instruction, multiple data — 매 AVX-512, GPU warp.
|
||||
- **MIMD**: 매 multiple instruction, multiple data — 매 multi-core CPU, cluster.
|
||||
- **SIMT**: 매 single instruction, multiple thread — 매 NVIDIA / AMD GPU.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Distributed-Computing|Distributed-Computing]], [[Linear-Algebra-for-ML|Linear-Algebra-for-ML]], [[GPU-Architecture|GPU-Architecture]], Amdahls-Law
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Parallel-Computing.md
|
||||
### 매 parallelism dimensions (modern DL)
|
||||
- **Data parallel (DP)**: 매 same model, 매 different batches.
|
||||
- **Tensor parallel (TP)**: 매 single tensor 매 split across devices.
|
||||
- **Pipeline parallel (PP)**: 매 layers 매 stages 로 split.
|
||||
- **Sequence parallel (SP)**: 매 sequence dim split (long context).
|
||||
- **Expert parallel (EP)**: 매 MoE 매 experts 매 across devices.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **LLM training**: Llama 3.x 405B = DP×TP×PP×SP×EP combination.
|
||||
2. **Inference**: vLLM 매 continuous batching + tensor parallel.
|
||||
3. **Scientific compute**: weather, molecular dynamics (MPI).
|
||||
4. **Rendering**: Pixar RenderMan 매 distributed.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### NumPy → JAX SIMD vectorization
|
||||
```python
|
||||
# 매 implicit SIMD on CPU/GPU/TPU
|
||||
import jax
|
||||
import jax.numpy as jnp
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
@jax.jit
|
||||
def matmul_vectorized(A, B):
|
||||
return jnp.einsum("bij,bjk->bik", A, B)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
# vmap: auto-vectorize over batch dim
|
||||
batched = jax.vmap(lambda x, y: x @ y)(A, B)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### CUDA kernel (SIMT)
|
||||
```cpp
|
||||
// 매 explicit thread-level parallelism
|
||||
__global__ void vec_add(float* a, float* b, float* c, int n) {
|
||||
int idx = blockIdx.x * blockDim.x + threadIdx.x;
|
||||
if (idx < n) c[idx] = a[idx] + b[idx];
|
||||
}
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
// launch: vec_add<<<(n+255)/256, 256>>>(a, b, c, n);
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Multi-GPU data parallel (PyTorch)
|
||||
```python
|
||||
import torch
|
||||
import torch.distributed as dist
|
||||
from torch.nn.parallel import DistributedDataParallel as DDP
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
dist.init_process_group(backend="nccl")
|
||||
model = DDP(model.cuda(), device_ids=[local_rank])
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
for batch in loader:
|
||||
loss = model(batch).loss
|
||||
loss.backward() # 매 NCCL all-reduce gradients
|
||||
optim.step()
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Tensor parallel (megatron-style)
|
||||
```python
|
||||
# 매 single Linear split column-wise across N GPUs
|
||||
class ColumnParallelLinear(nn.Module):
|
||||
def __init__(self, d_in, d_out, world_size):
|
||||
super().__init__()
|
||||
self.weight = nn.Parameter(torch.empty(d_out // world_size, d_in))
|
||||
def forward(self, x):
|
||||
local_out = x @ self.weight.T
|
||||
# gather across tp group
|
||||
return all_gather(local_out, dim=-1)
|
||||
```
|
||||
|
||||
### MPI scientific compute
|
||||
```python
|
||||
from mpi4py import MPI
|
||||
comm = MPI.COMM_WORLD
|
||||
rank, size = comm.Get_rank(), comm.Get_size()
|
||||
|
||||
# 매 domain decomposition
|
||||
local_data = scatter_grid(global_grid, rank, size)
|
||||
local_result = compute_step(local_data)
|
||||
global_result = comm.allreduce(local_result, op=MPI.SUM)
|
||||
```
|
||||
|
||||
### Async pipeline parallel
|
||||
```python
|
||||
# GPipe / 1F1B schedule
|
||||
def pipeline_step(stages, micro_batches):
|
||||
"""1F1B: 1 forward, 1 backward interleaved."""
|
||||
fwd_queue = []
|
||||
for mb in micro_batches:
|
||||
for s, stage in enumerate(stages):
|
||||
mb = stage.forward(mb)
|
||||
fwd_queue.append((s, mb))
|
||||
for s, mb in reversed(fwd_queue):
|
||||
stages[s].backward(mb)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| Workload | Parallelism |
|
||||
|---|---|
|
||||
| 매 single-machine CPU bound | multiprocessing / Ray |
|
||||
| 매 single-GPU dense ops | CUDA / JAX SIMT |
|
||||
| 매 multi-GPU same-node | NCCL DDP / FSDP |
|
||||
| 매 multi-node training | DP×TP×PP (Megatron, DeepSpeed) |
|
||||
| 매 long-context (128K+) | + Sequence Parallel |
|
||||
| 매 MoE model | + Expert Parallel |
|
||||
| 매 scientific HPC | MPI + domain decomposition |
|
||||
|
||||
**기본값**: 매 SIMD (numpy/jax) 시작 → 매 GPU SIMT → 매 multi-GPU DDP → 매 4D parallelism 의 progression.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer-Architecture]] · [[Distributed-Systems]]
|
||||
- 변형: [[GPU-Computing]] · [[Distributed-Training]]
|
||||
- 응용: [[LLM-Training]] · [[Scientific-Computing]] · [[vLLM]]
|
||||
- Adjacent: [[Concurrency]] · [[Parallel-Processing]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 parallelism strategy selection, 매 communication overhead analysis, 매 NCCL/MPI debugging.
|
||||
**언제 X**: 매 sequential algorithm 매 inherently — 매 Amdahl bound 의 X.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Premature parallelization**: 매 sequential profile X → blind parallelize.
|
||||
- **Communication-bound**: 매 too fine-grained 매 chunks → 매 NCCL overhead 압도.
|
||||
- **Load imbalance**: 매 uneven shard sizes → 매 stragglers.
|
||||
- **Race conditions**: 매 shared state w/o sync.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Hennessy & Patterson 6e; Megatron-LM paper 2019; Llama 3 paper 2024; CUDA C++ Programming Guide 12.x).
|
||||
- 신뢰도 A.
|
||||
- 매 [[Parallel-Processing]] 매 alias / redirect.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Flynn + 4D DL parallelism + modern stack |
|
||||
|
||||
Reference in New Issue
Block a user