텐서화를 통해 진화 다목적 최적화와 GPU 가속 간의 간극 메우기

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

저자: Zhenyu Liang, Hao Li, Naiwei Yu, Kebin Sun, Ran Cheng

cs.AI

초록

진화적 다목적 최적화(EMO)는 지난 20년 동안 상당한 발전을 이루어 왔습니다. 그러나 문제의 규모와 복잡성이 증가함에 따라, 기존의 EMO 알고리즘은 병렬성과 확장성의 부족으로 인해 상당한 성능 한계에 직면하고 있습니다. 대부분의 연구가 이러한 문제를 해결하기 위한 알고리즘 설계에 초점을 맞추고 있는 반면, 하드웨어 가속화에는 거의 주목하지 않아 EMO 알고리즘과 GPU와 같은 고성능 컴퓨팅 장치 간의 명백한 격차가 존재합니다. 이 격차를 해소하기 위해, 우리는 텐서화 방법론을 통해 GPU에서 EMO 알고리즘을 병렬화하는 것을 제안합니다. 텐서화를 사용함으로써, EMO 알고리즘의 데이터 구조와 연산이 간결한 텐서 표현으로 변환되어 GPU 컴퓨팅의 자동 활용이 원활하게 가능해집니다. 우리는 이 접근법의 효과를 입증하기 위해 NSGA-III, MOEA/D, HypE라는 세 가지 대표적인 EMO 알고리즘에 적용했습니다. 또한, GPU 가속 물리 엔진을 사용한 다목적 로봇 제어 벤치마크를 도입하여 우리의 방법론을 종합적으로 평가했습니다. 실험 결과, 텐서화된 EMO 알고리즘은 CPU 기반 대비 최대 1113배의 속도 향상을 달성하면서도 솔루션 품질을 유지하고 개체군 크기를 수십만 개까지 효과적으로 확장할 수 있음을 보여주었습니다. 더 나아가, 텐서화된 EMO 알고리즘은 복잡한 다목적 로봇 제어 작업을 효율적으로 처리하며 다양한 행동을 보이는 고품질 솔루션을 생성합니다. 소스 코드는 https://github.com/EMI-Group/evomo에서 확인할 수 있습니다.

English

Evolutionary multiobjective optimization (EMO) has made significant strides over the past two decades. However, as problem scales and complexities increase, traditional EMO algorithms face substantial performance limitations due to insufficient parallelism and scalability. While most work has focused on algorithm design to address these challenges, little attention has been given to hardware acceleration, thereby leaving a clear gap between EMO algorithms and advanced computing devices, such as GPUs. To bridge the gap, we propose to parallelize EMO algorithms on GPUs via the tensorization methodology. By employing tensorization, the data structures and operations of EMO algorithms are transformed into concise tensor representations, which seamlessly enables automatic utilization of GPU computing. We demonstrate the effectiveness of our approach by applying it to three representative EMO algorithms: NSGA-III, MOEA/D, and HypE. To comprehensively assess our methodology, we introduce a multiobjective robot control benchmark using a GPU-accelerated physics engine. Our experiments show that the tensorized EMO algorithms achieve speedups of up to 1113x compared to their CPU-based counterparts, while maintaining solution quality and effectively scaling population sizes to hundreds of thousands. Furthermore, the tensorized EMO algorithms efficiently tackle complex multiobjective robot control tasks, producing high-quality solutions with diverse behaviors. Source codes are available at https://github.com/EMI-Group/evomo.