1773 lines
70 KiB
Python
1773 lines
70 KiB
Python
"""
|
|
DNS Post-Processing Code Generator Core (post.py)
|
|
==================================================
|
|
이 모듈은 난류 및 연소 DNS(Direct Numerical Simulation) 데이터의 후처리를 위한 고성능 Fortran 코드를 생성하는 컴파일러의 코어입니다.
|
|
사용자가 정의한 DSL(Domain Specific Language) 입력 식을 읽어 파싱한 후, 다음과 같은 4단계 최적화 컴파일 과정을 거쳐 극도로 최적화된 3차원 루프 Fortran 모듈 코드를 자동 생성합니다.
|
|
|
|
[컴파일러 파이프라인 4단계 개요]
|
|
1. Stage 1 (AST 수집 및 변수 정의):
|
|
- Lark 파서가 생성한 AST(Abstract Syntax Tree)를 순회하며 기본 입력 변수(Primary), 계산이 필요한 대입식(Derived),
|
|
그리고 통계 물리량 계산을 위한 평균화 변수(Averaged)를 추출하고 필드 메타데이터 객체를 구성합니다.
|
|
2. Stage 2 (수치 미분 및 변동량 확장):
|
|
- 수식 내에 수치 미분자(ddx, d2dy 등)나 변동량(fluctuation, u')이 존재하면, 이를 물리적으로 차분 연산할 중간
|
|
미분 필드(DerivedField) 및 변동량 필드(FluctuationField)로 자동 변환하고 변수 테이블에 등록하여 확장합니다.
|
|
3. Stage 3 (의존성 분석 및 위상 정렬):
|
|
- 필드 간의 선후 연산 관계를 분석하여 유향 의존성 그래프(Directed Dependency Graph)를 생성합니다.
|
|
- 난류 통계의 특성상 평균 연산을 기준으로 "평균치 계산 전의 루프(Pass 1)"와 "평균치를 구한 후 변동량을 계산하는 루프(Pass 2)"로
|
|
전체 연산 블록을 논리적으로 분할하고, 각각의 블록 내에서 올바른 순서로 계산되도록 위상 정렬(Topological Sort)을 수행합니다.
|
|
4. Stage 4 (수식 기호 최적화, Liveness 분석 및 Buffer Array Pooling):
|
|
- SymPy 기호 수학 라이브러리를 이용하여 복잡한 3차원 수식을 대수적으로 간소화하고, 공통 부분 식 제거(CSE)를 적용하여 연산 비용(Flops)을 최적화합니다.
|
|
- 격자 데이터가 거대하므로 모든 변수에 개별 3D 배열을 할당하면 메모리가 고갈됩니다. 이를 방지하기 위해 변수들의
|
|
생명 주기(Liveness Window)를 수학적으로 추적하고, 동적 메모리 풀을 구축하여 동시에 활성화되지 않는 임시 변수들이
|
|
공통의 제한된 버퍼 배열(xyzbuffer0, xyzbuffer1, ...)을 나누어 사용(Array Pooling)하도록 할당하여 메모리 사용량을 최소화합니다.
|
|
"""
|
|
|
|
import sys
|
|
from lark import Lark, Visitor, Transformer, v_args, Token
|
|
import warnings
|
|
from jinja2 import Template
|
|
import sympy
|
|
from sympy.printing.fortran import FCodePrinter
|
|
|
|
# --- Registries for SOLID (OCP) Compliance ---
|
|
|
|
class FunctionRegistry:
|
|
def __init__(self):
|
|
self._sympy_registry = {}
|
|
self._latex_registry = {}
|
|
|
|
def register_sympy(self, name, sympy_builder):
|
|
self._sympy_registry[name] = sympy_builder
|
|
|
|
def register_latex(self, name, latex_builder):
|
|
self._latex_registry[name] = latex_builder
|
|
|
|
def to_sympy(self, name, *args):
|
|
if name in self._sympy_registry:
|
|
return self._sympy_registry[name](*args)
|
|
return sympy.Function(name)(*args)
|
|
|
|
def to_latex(self, name, *args):
|
|
if name in self._latex_registry:
|
|
return self._latex_registry[name](*args)
|
|
b = ", ".join(args)
|
|
if name.startswith("\\"):
|
|
return r"{}{{({})}}".format(name, b)
|
|
return r"\mathrm{{{}}}({})".format(name, b)
|
|
|
|
function_registry = FunctionRegistry()
|
|
|
|
# Register standard mathematical functions
|
|
function_registry.register_sympy("sqrt", lambda *args: sympy.sqrt(args[0]))
|
|
function_registry.register_sympy("abs", lambda *args: sympy.Abs(args[0]))
|
|
function_registry.register_sympy("log", lambda *args: sympy.log(args[0]))
|
|
function_registry.register_sympy("exp", lambda *args: sympy.exp(args[0]))
|
|
function_registry.register_sympy("rxn_rate", lambda *args: sympy.Function("rxn_rate")(args[0]))
|
|
|
|
function_registry.register_latex("sqrt", lambda *args: r"\sqrt{{{}}}".format(", ".join(args)))
|
|
function_registry.register_latex("abs", lambda *args: r"\left| {} \right|".format(", ".join(args)))
|
|
function_registry.register_latex(r"\log", lambda *args: r"\log{{({})}}".format(", ".join(args)))
|
|
function_registry.register_latex(r"\exp", lambda *args: r"\exp{{({})}}".format(", ".join(args)))
|
|
function_registry.register_latex(r"\omega", lambda *args: r"\omega{{({})}}".format(", ".join(args)))
|
|
|
|
|
|
class DifferentialOperatorRegistry:
|
|
def __init__(self):
|
|
self._operators = {}
|
|
|
|
def register(self, op_name, latex_symbol):
|
|
self._operators[op_name] = latex_symbol
|
|
|
|
def get_latex_symbol(self, op_name):
|
|
if op_name in self._operators:
|
|
return self._operators[op_name]
|
|
# Fallback to dynamic parsing matching original code
|
|
fmt = r"\partial_{{{}}}"
|
|
coord = op_name[-1] if op_name else ""
|
|
return fmt.format(coord + coord if len(op_name) > 3 else coord)
|
|
|
|
differential_operator_registry = DifferentialOperatorRegistry()
|
|
|
|
# Register standard derivative operators
|
|
differential_operator_registry.register("ddx", r"\partial_{x}")
|
|
differential_operator_registry.register("d2dx", r"\partial_{xx}")
|
|
differential_operator_registry.register("ddy", r"\partial_{y}")
|
|
differential_operator_registry.register("d2dy", r"\partial_{yy}")
|
|
differential_operator_registry.register("ddz", r"\partial_{z}")
|
|
differential_operator_registry.register("d2dz", r"\partial_{zz}")
|
|
|
|
@v_args(inline=True)
|
|
class LarkToSympy(Transformer):
|
|
"""Lark AST의 수학적 노드들을 SymPy 기호 수식 객체로 변환하는 Transformer 클래스입니다.
|
|
|
|
이를 통해 DSL 수식 트리를 SymPy 기호 객체로 매핑하고, SymPy의 강력한 수식 간소화(Simplify)
|
|
및 공통 부분식 제거(CSE) 최적화 도구를 파이프라인 하부에서 활용할 수 있게 합니다.
|
|
"""
|
|
def __init__(self, fdict):
|
|
"""Lark-to-SymPy Transformer를 초기화합니다.
|
|
|
|
Args:
|
|
fdict (dict): 변수명에서 물리 필드 정의 객체(FieldBase 자식 클래스들)로 매핑되는 딕셔너리.
|
|
"""
|
|
self.fdict = fdict
|
|
|
|
def number(self, numeral):
|
|
# 상수를 SymPy Float 기호 객체로 변환
|
|
return sympy.Float(float(numeral))
|
|
|
|
def env(self, name):
|
|
# 환경 변수($ 기호로 시작)를 SymPy Symbol로 매핑
|
|
return sympy.Symbol(name.value)
|
|
|
|
def paren(self, val):
|
|
# 괄호는 수식 우선순위 보존 후 내부 식 반환
|
|
return val
|
|
|
|
def var(self, name):
|
|
# 일반 변수명을 SymPy Symbol로 매핑
|
|
return sympy.Symbol(name.value)
|
|
|
|
def fluc(self, name):
|
|
# 변동량 u' 기호를 SymPy가 해석할 수 있도록 u__prime 기호명으로 매핑
|
|
return sympy.Symbol(name.value + "__prime")
|
|
|
|
def dnx(self, partial, b):
|
|
# ddx(u)와 같은 수치 미분항을 ddx_u 형태의 하나의 고유 Symbol로 묶어서 취급
|
|
signature = f"{partial.data}_{b.value}"
|
|
return sympy.Symbol(signature)
|
|
|
|
def icall(self, op, val):
|
|
# sqr, pow3 등의 인라인 전용 함수들을 SymPy 지수 표현식으로 다이렉트 변환
|
|
if op.data == "sqr":
|
|
return val**2
|
|
elif op.data == "pow3":
|
|
return val**3
|
|
return val
|
|
|
|
def fcall(self, *args):
|
|
# 내장 수학 함수(sqrt, exp, log, abs, rxn_rate) 또는 사용자 정의 UDF들을 SymPy 함수 노드로 매핑
|
|
a = args[0]
|
|
func_name = a.value if hasattr(a, 'value') else str(a)
|
|
if func_name == "udf":
|
|
return sympy.Function(a.value if hasattr(a, 'value') else str(a))(*args[1:])
|
|
return function_registry.to_sympy(func_name, *args[1:])
|
|
|
|
def neg(self, val):
|
|
return -val
|
|
|
|
def add(self, a, b):
|
|
return a + b
|
|
|
|
def sub(self, a, b):
|
|
return a - b
|
|
|
|
def mul(self, a, b):
|
|
return a * b
|
|
|
|
def div(self, a, b):
|
|
return a / b
|
|
|
|
def udf(self, a):
|
|
return a.value
|
|
|
|
log = lambda self: "log"
|
|
exp = lambda self: "exp"
|
|
sqrt = lambda self: "sqrt"
|
|
abs = lambda self: "abs"
|
|
rxn_rate = lambda self: "rxn_rate"
|
|
|
|
|
|
class ArrayFCodePrinter(FCodePrinter):
|
|
"""SymPy 식을 Fortran 코드로 인쇄할 때, 변수들을 적절한 다차원 격자점 인덱스 배열(예: var(i,j,k))
|
|
또는 평균 배열(예: var(i)) 형식으로 포맷팅하여 변환 출력해 주는 특수 Printer 클래스입니다.
|
|
"""
|
|
def __init__(self, settings=None, array_symbols=None, avg_symbols=None):
|
|
settings = settings or {}
|
|
settings.setdefault('source_format', 'free') # 기본 프리포맷 Fortran 95 준수
|
|
settings.setdefault('standard', 95)
|
|
super().__init__(settings)
|
|
self.array_symbols = array_symbols or {} # 3차원 필드 배열의 실제 물리 버퍼 명칭 매핑
|
|
self.avg_symbols = avg_symbols or {} # 평균 필드 배열의 명칭 매핑
|
|
|
|
def _print_Float(self, expr):
|
|
# 배정밀도 실수 상수에 d0 접미사를 명시하여 컴파일러 정밀도 유실 방지
|
|
val = str(expr)
|
|
if 'e' in val or 'E' in val:
|
|
return val.replace('e', 'd').replace('E', 'd')
|
|
if '.' not in val:
|
|
return val + ".0d0"
|
|
return val + "d0"
|
|
|
|
def _print_Symbol(self, expr):
|
|
name = expr.name
|
|
# 1. 3D 공간 격자점 버퍼 할당명에 매핑되어 있는 경우 (i,j,k) 차분 격자점 인덱스를 부착
|
|
if name in self.array_symbols:
|
|
return f"{self.array_symbols[name]}(i,j,k)"
|
|
# 2. X방향(i) 1차원 평균화 변수인 경우 (i) 인덱스 부착
|
|
if name in self.avg_symbols:
|
|
return f"{self.avg_symbols[name]}(i)"
|
|
# 3. 변동량 변수(u__prime)인 경우, 원본 격자점 값과 1차원 평균값의 편차식인 '(u(i,j,k) - avg_u(i))'로 자동 인라인 전개
|
|
if name.endswith("__prime"):
|
|
base = name[:-7]
|
|
arr = self.array_symbols.get(base, base)
|
|
avg_name = f"avg_{base}"
|
|
printed_avg = f"{self.avg_symbols.get(avg_name, avg_name)}(i)"
|
|
return f"({arr}(i,j,k) - {printed_avg})"
|
|
return name
|
|
|
|
def _print_Function(self, expr):
|
|
# SymPy 내장 함수가 아닌 사용자 정의 함수(rxn_rate, udf 등)의 정상적인 Fortran 출력을 위한 예외 폴백 처리
|
|
try:
|
|
return super()._print_Function(expr)
|
|
except Exception:
|
|
args = ", ".join(self.doprint(arg) for arg in expr.args)
|
|
return f"{expr.func.__name__}({args})"
|
|
|
|
|
|
class SympyOptimizer:
|
|
"""컴파일러 내부에서 SymPy 수학 기호 연산 엔진을 제어하는 최적화 매니저 클래스입니다.
|
|
|
|
1. 수식 확장 대입(Substitution): 사용자가 정의한 물리 변수 중 디스크로 내보내지(export) 않는
|
|
임시 변수들의 수식을 참조하는 하부 수식에 재귀적으로 대입하여 거대한 하나의 식으로 확장합니다.
|
|
2. 대수적 간소화(Simplify & Cancel): SymPy를 사용하여 분모 분자 소거 및 삼각/지수 대수 간소화를 적용합니다.
|
|
3. 공통 부분식 제거(CSE - Common Subexpression Elimination): 복잡하게 얽힌 다차원 미분 수식 속에서
|
|
중복 계산되는 서브 식(예: 공통 항곱)을 탐지하여, 루프 외/내부에서 임시 스칼라 변수(x0, x1 등)에 선언한 후
|
|
루프 내 연산에서 한 번만 대입하여 연산하도록 루프 코드를 개조하여 FLOPS와 캐시 로드를 획기적으로 낮춥니다.
|
|
"""
|
|
_instance = None
|
|
|
|
@classmethod
|
|
def get_instance(cls, fdict):
|
|
if cls._instance is None or cls._instance.fdict is not fdict:
|
|
cls._instance = cls(fdict)
|
|
return cls._instance
|
|
|
|
def __init__(self, fdict):
|
|
self.fdict = fdict
|
|
self.sympy_cache = {} # 중복 연산 계산 방지를 위한 SymPy 식 캐시
|
|
self.exported_fields = set(
|
|
name for name, f in fdict.items()
|
|
if hasattr(f, 'attr') and f.attr.get('export')
|
|
) # 디스크로 파일 출력이 설정된 최종 목표 변수 집합
|
|
self.averaged_targets = set()
|
|
self.avg_names = set()
|
|
|
|
def set_averaged(self, averaged_dict):
|
|
# 평균화 대상이 되는 변수 집합을 수집
|
|
self.averaged_targets = {a.target for a in averaged_dict.values()}
|
|
self.avg_names = set(averaged_dict.keys())
|
|
|
|
def get_sympy_expr(self, name):
|
|
"""특정 변수 명칭에 대해 기호적으로 완전히 확장 대입된 SymPy Expression 객체를 빌드하여 캐싱합니다.
|
|
|
|
기본 입력 변수(Primary), 미분 변수(Derived), 평균 변수(Averaged), 변동량 변수(Fluctuation)는
|
|
치환하지 않고 독립적인 리프 기호(Symbol)로 둡니다. 그 외 중간에서만 활용되는 일반 임시 Derived 변수들은
|
|
의존하는 원본 수식들을 탐색하여 재귀적으로 인라인 대체(expand) 시킴으로써, SymPy 기호 엔진이
|
|
루프 수식 전체의 논리적 최적화를 전역적으로 수행할 수 있도록 합니다.
|
|
"""
|
|
if name in self.sympy_cache:
|
|
return self.sympy_cache[name]
|
|
|
|
field = self.fdict[name]
|
|
|
|
if hasattr(field, 'prime') and field.prime:
|
|
expr = sympy.Symbol(name)
|
|
self.sympy_cache[name] = expr
|
|
return expr
|
|
|
|
if hasattr(field, 'op'): # DerivedField (ddx 등 미분 결과)
|
|
expr = sympy.Symbol(name)
|
|
self.sympy_cache[name] = expr
|
|
return expr
|
|
|
|
if hasattr(field, 'weighted'): # AveragedField
|
|
expr = sympy.Symbol(name)
|
|
self.sympy_cache[name] = expr
|
|
return expr
|
|
|
|
if hasattr(field, 'field') and hasattr(field, 'w'): # FluctuationField
|
|
expr = sympy.Symbol(name)
|
|
self.sympy_cache[name] = expr
|
|
return expr
|
|
|
|
transformer = LarkToSympy(self.fdict)
|
|
expr = transformer.transform(field.exp)
|
|
|
|
# 재귀적으로 의존 중인 캐싱되지 않은 중간 계산 임시 변수들을 수식 본문으로 확장 치환(Substitution)
|
|
expanded_expr = expr
|
|
changed = True
|
|
while changed:
|
|
changed = False
|
|
free_syms = list(expanded_expr.free_symbols)
|
|
sub_dict = {}
|
|
for sym in free_syms:
|
|
sym_name = sym.name
|
|
if sym_name in self.fdict:
|
|
f = self.fdict[sym_name]
|
|
is_derived_field = hasattr(f, 'op')
|
|
is_averaged_field = hasattr(f, 'weighted')
|
|
is_primary_field = hasattr(f, 'prime') and f.prime
|
|
is_exported = sym_name in self.exported_fields
|
|
is_averaged_target = sym_name in self.averaged_targets
|
|
|
|
# 최종 출력 대상이거나 물리적 경계 처리가 필요한 핵심 변수가 아니라면,
|
|
# 기 기하학적 수식을 최적화하기 위해 현재 식 안으로 대입해 버립니다.
|
|
if not (is_derived_field or is_averaged_field or is_primary_field or is_exported or is_averaged_target):
|
|
sub_dict[sym] = self.get_sympy_expr(sym_name)
|
|
changed = True
|
|
|
|
if sub_dict:
|
|
expanded_expr = expanded_expr.subs(sub_dict)
|
|
|
|
self.sympy_cache[name] = expanded_expr
|
|
return expanded_expr
|
|
|
|
def calculate_flops_and_heavy(self, expr):
|
|
"""수식에서 수행되는 부동 소수점 연산(FLOPS) 및 계산 부하가 큰 연산(Division, Sqrt, Exp 등)의 개수를 평가합니다.
|
|
이를 통해 최적화 리포트에 연산 비용 증감률을 리포팅합니다.
|
|
"""
|
|
flops = 0
|
|
heavy = 0
|
|
for node in sympy.preorder_traversal(expr):
|
|
if isinstance(node, sympy.Add):
|
|
flops += len(node.args) - 1
|
|
elif isinstance(node, sympy.Mul):
|
|
flops += len(node.args) - 1
|
|
elif isinstance(node, sympy.Pow):
|
|
base, exp = node.args
|
|
if exp == 0.5 or exp == -0.5:
|
|
flops += 10 # 제곱근 및 역제곱근은 대략 10 flops 가중치 부여
|
|
heavy += 1
|
|
elif exp == -1:
|
|
flops += 4 # 역수 나눗셈은 4 flops 가중치 부여
|
|
heavy += 1
|
|
elif isinstance(exp, sympy.Integer):
|
|
val = abs(int(exp))
|
|
if val > 1:
|
|
flops += val - 1
|
|
else:
|
|
flops += 10
|
|
heavy += 1
|
|
elif isinstance(node, (sympy.Derivative, sympy.Function)):
|
|
name = node.func.__name__
|
|
if name == 'sqrt':
|
|
flops += 10
|
|
heavy += 1
|
|
elif name in ('exp', 'log', 'sin', 'cos', 'tan', 'rxn_rate'):
|
|
flops += 10 # 특수 수학 함수 연산은 10 flops 가중치 및 Heavy 연산자로 평가
|
|
heavy += 1
|
|
elif name == 'Abs':
|
|
flops += 1
|
|
else:
|
|
flops += 10
|
|
heavy += 1
|
|
return flops, heavy
|
|
|
|
def count_3d_loads(self, expr, three_d_arrays):
|
|
"""수식 내부에서 참조하는 3차원 격자점 배열의 총 메모리 로드 횟수를 카운트합니다.
|
|
메모리 대역폭 한계(Memory-bound)에 부딪히는 HPC 연산의 병목을 평가하는 데 중요한 지표입니다.
|
|
"""
|
|
count = 0
|
|
for node in sympy.preorder_traversal(expr):
|
|
if isinstance(node, sympy.Symbol) and node.name in three_d_arrays:
|
|
count += 1
|
|
return count
|
|
|
|
def optimize_field(self, name, alloc=None):
|
|
"""개별 물리 필드 수식을 SymPy를 사용해 최적화하고 공통 부분식(CSE) 코드를 추출합니다.
|
|
|
|
Args:
|
|
name (str): 최적화할 필드 변수명.
|
|
alloc (dict): 변수명에서 버퍼 배열명(xyzbufferN)으로 매핑되는 테이블.
|
|
|
|
Returns:
|
|
rhs (str): 최적화가 완료된 최종 Fortran 우변(Right-Hand Side) 코드 문자열.
|
|
cse_decls (list): CSE 추출 결과 생성된 임시 실수 변수 선언 리스트 (예: real(real64) :: x0).
|
|
cse_assigns (list): 루프 내부 대입에 사용될 임시 변수의 연산식 리스트.
|
|
"""
|
|
expr = self.get_sympy_expr(name)
|
|
|
|
three_d_arrays = {
|
|
k for k, v in self.fdict.items()
|
|
if hasattr(v, 'dim') and v.dim == ':,:,:'
|
|
}
|
|
|
|
# 최적화 전 비용 수집
|
|
before_flops, before_heavy = self.calculate_flops_and_heavy(expr)
|
|
before_loads = self.count_3d_loads(expr, three_d_arrays)
|
|
|
|
# 1차 대수적 간소화 및 약분 소거
|
|
simplified_expr = sympy.simplify(expr)
|
|
simplified_expr = sympy.cancel(simplified_expr)
|
|
|
|
# 기호명을 실제 Fortran 격자 배열명(xyzbufferN)으로 매핑하기 위한 준비
|
|
array_symbols = {}
|
|
for k, v in self.fdict.items():
|
|
if hasattr(v, 'array') and v.array:
|
|
array_symbols[k] = v.array
|
|
elif alloc and k in alloc:
|
|
array_symbols[k] = alloc[k]
|
|
else:
|
|
array_symbols[k] = k
|
|
|
|
avg_symbols = {k: k for k in getattr(self, 'avg_names', [])}
|
|
printer = ArrayFCodePrinter(array_symbols=array_symbols, avg_symbols=avg_symbols)
|
|
|
|
# 2차: 공통 부분식 제거(CSE) 알고리즘 가동
|
|
# 복잡하게 중복 사용되는 수식 구조를 서브 트리로 분리하여 임시 기호(x0, x1 등)와 최종 축소 식으로 분할
|
|
replacements, reduced_exprs = sympy.cse(simplified_expr)
|
|
reduced_expr = reduced_exprs[0]
|
|
|
|
# 최적화 후 비용 계산
|
|
after_flops = 0
|
|
after_heavy = 0
|
|
after_loads = 0
|
|
|
|
for temp_var, temp_expr in replacements:
|
|
f_val, h_val = self.calculate_flops_and_heavy(temp_expr)
|
|
after_flops += f_val
|
|
after_heavy += h_val
|
|
after_loads += self.count_3d_loads(temp_expr, three_d_arrays)
|
|
|
|
f_val, h_val = self.calculate_flops_and_heavy(reduced_expr)
|
|
after_flops += f_val
|
|
after_heavy += h_val
|
|
after_loads += self.count_3d_loads(reduced_expr, three_d_arrays)
|
|
|
|
def pct_str(before, after):
|
|
if before == 0:
|
|
return "0.0%" if after == 0 else "+inf%"
|
|
diff = after - before
|
|
pct = (diff / before) * 100
|
|
return f"{pct:+.1f}%"
|
|
|
|
flops_pct = pct_str(before_flops, after_flops)
|
|
heavy_pct = pct_str(before_heavy, after_heavy)
|
|
loads_pct = pct_str(before_loads, after_loads)
|
|
|
|
# 성능 개선 등급 진단
|
|
if after_flops < before_flops * 0.5 or after_loads < before_loads * 0.5:
|
|
est_speedup = "Highly significant"
|
|
elif after_flops < before_flops or after_loads < before_loads:
|
|
est_speedup = "Moderate"
|
|
else:
|
|
est_speedup = "Minimal / Already optimal"
|
|
|
|
# 컴파일 중 최적화 상세 리포트를 stderr로 콘솔 화면에 로깅
|
|
sys.stderr.write(f"\n[SymPy Optimizer Report: {name}]\n")
|
|
sys.stderr.write(f"- Floating Point Ops : {before_flops} -> {after_flops} ({flops_pct})\n")
|
|
sys.stderr.write(f"- Heavy Ops (Div/Sqrt): {before_heavy} -> {after_heavy} ({heavy_pct})\n")
|
|
sys.stderr.write(f"- 3D Array Mem Reads : {before_loads} -> {after_loads} ({loads_pct})\n")
|
|
sys.stderr.write(f"=> Estimated Speedup in loop: {est_speedup}\n\n")
|
|
|
|
cse_decls = []
|
|
cse_assigns = []
|
|
|
|
# CSE 추출 결과를 Fortran 코드로 포매팅
|
|
if replacements:
|
|
for temp_var, temp_expr in replacements:
|
|
# 임시 변수 로컬 스칼라 선언 구문 작성
|
|
cse_decls.append(f"real(real64) :: {temp_var}")
|
|
# 루프 내에서 먼저 연산 후 할당하는 구문 작성
|
|
cse_assigns.append(f"{temp_var} = {printer.doprint(temp_expr)}")
|
|
|
|
rhs = printer.doprint(reduced_expr)
|
|
|
|
return rhs, cse_decls, cse_assigns
|
|
|
|
|
|
class CollectDefinitions(Visitor):
|
|
"""Lark AST의 전체 노드를 스캔하며 정의문(변수 리스트, 대입식, 평균화 조건)을 수집하여
|
|
컴파일러의 빌딩 블록 객체들로 구축하는 Visitor 클래스입니다 (Stage 1 핵심 작동부).
|
|
"""
|
|
|
|
def __init__ (self, primary, derived, averaged):
|
|
self.primary = primary # 기본 입력 물리 필드명 집합 (격자 파일 등에서 읽음)
|
|
self.derived = derived # 유도/계산식 필드 딕셔너리
|
|
self.averaged = averaged # 평균 연산 조건 딕셔너리
|
|
|
|
def varlist(self, tree):
|
|
# 괄호 안 [u, v, w] 같은 형식으로 표기된 기본(Primary) 변수 리스트 파싱
|
|
for v in tree.children:
|
|
self.primary.add(v.value)
|
|
# 의존성 테이블에 기본 변수 객체 등록
|
|
self.derived[v.value] = PrimaryField(v.value, self.derived)
|
|
|
|
def assign_var (self, tree):
|
|
# 등호(=) 연산자를 통한 변수 계산식 정의 노드 파싱
|
|
# 속성값(예: (export=true, latex="..."))이 존재하면 추출
|
|
if len(tree.children) > 2:
|
|
lval, lattr, rval = tree.children
|
|
else:
|
|
lval, rval = tree.children
|
|
lattr = None
|
|
|
|
attr_dict = {}
|
|
|
|
if lattr is not None:
|
|
for t in lattr.children:
|
|
k, v = t.children
|
|
attr_dict[k.value] = v.value
|
|
|
|
if lval.value in self.derived:
|
|
raise ValueError("duplicate definition of " + lval)
|
|
# Field 객체를 생성하여 derived 계산 테이블에 등록
|
|
self.derived[lval.value] = Field(lval.value, attr_dict, rval, self.derived)
|
|
|
|
def assign_avg_var (self, tree):
|
|
# avg 또는 avg$w {u, v, ...} 와 같은 평균화 지시어 파싱 및 등록
|
|
w = tree.children[0]
|
|
targets = tree.children[1:]
|
|
|
|
if (not w.children) or (w.children[0] is None):
|
|
self.averaged[None] = set([x.value for x in targets])
|
|
else:
|
|
self.averaged[w.children[0].value] = set([x.value for x in targets])
|
|
|
|
|
|
class ExpInspector(Visitor):
|
|
"""수식 AST 노드들을 순회하며 해당 식 내부의 변동량(Fluctuation) 포함 여부,
|
|
참조 중인 다른 물리 변수 종속성 목록(dep), 그리고 수치 미분항(deriv) 목록을 추출하는 Visitor 클래스입니다.
|
|
"""
|
|
def __init__(self):
|
|
self.fluctuation = False
|
|
self.dep = set([])
|
|
self.deriv = set([])
|
|
|
|
@classmethod
|
|
def inspect(cls, tree):
|
|
self = cls()
|
|
return self(tree)
|
|
|
|
def __call__(self, tree):
|
|
self.visit(tree)
|
|
return self.fluctuation, self.dep, self.deriv
|
|
|
|
def fluc(self, tree):
|
|
# 식 내부에 변동량 항이 존재함을 기록하고 종속성에 등록
|
|
self.fluctuation = True
|
|
self.dep.add(tree.children[0].value)
|
|
|
|
def var(self, tree):
|
|
self.dep.add(tree.children[0].value)
|
|
|
|
def dnx (self, tree):
|
|
# ddx(u) 와 같이 수치 미분 노드를 만나면 ddx_u 형태의 중간 미분 변수를 종속성 리스트에 기록
|
|
op, v = tree.children
|
|
deriv = "{}_{}".format(op.data, v.value)
|
|
self.dep.add(deriv)
|
|
self.deriv.add((op.data, v.value))
|
|
|
|
|
|
@v_args(inline=True) # 메서드의 서명 형식을 자식 노드 매개변수 나열형으로 변환
|
|
class ExpToLatex(Transformer):
|
|
"""DSL 수학 표현식 AST를 문서를 검토하기 편하게 LaTeX 문법 수식으로 번역하는 번역기입니다."""
|
|
|
|
def __init__(self, fdict):
|
|
self.fdict = fdict
|
|
|
|
def arithmatic_rooted(self, name):
|
|
try:
|
|
exproot = self.fdict[name].exp.data
|
|
except AttributeError:
|
|
exproot = "something_11fasq2afa3rfzsaerqw23"
|
|
|
|
return ((exproot == "add") or (exproot == "sub") or
|
|
(exproot == "mul") or (exproot == "div"))
|
|
|
|
def parenthise(self, name):
|
|
try:
|
|
latex = self.fdict[name].latex
|
|
latex_given = self.fdict[name].latex_given
|
|
except KeyError:
|
|
warnings.warn(name + " is not found")
|
|
latex = r"\mathrm{{{}}}".format(name)
|
|
latex_given = None
|
|
|
|
if self.arithmatic_rooted(name) and (latex_given is None):
|
|
latex = "(" + latex + ")"
|
|
|
|
return latex
|
|
|
|
def number(self, numeral):
|
|
return numeral
|
|
|
|
def env(self, name):
|
|
return r"\mathrm{{{}}}".format(name.value)
|
|
|
|
def paren(self, name):
|
|
return "({})".format(str(name))
|
|
|
|
def var(self, name):
|
|
return self.parenthise(name.value)
|
|
|
|
def fluc(self, name):
|
|
# LaTeX 수식 표기용 u'' 프라임 기호 렌더링
|
|
return self.parenthise(name.value)+ "''"
|
|
|
|
def dnx (self, partial, b):
|
|
fmt = r"\partial_{{{}}}"
|
|
coord = partial.data[-1]
|
|
op = fmt.format(coord + coord if len(partial.data) > 3 else coord)
|
|
|
|
signature = "{}_{}".format(partial.data, b.value)
|
|
|
|
try:
|
|
eq = self.fdict[signature].latex
|
|
except KeyError:
|
|
eq = op + self.parenthise(b.value)
|
|
warnings.warn(signature + " is not found: " + eq)
|
|
|
|
return eq
|
|
|
|
def icall (self, a, b):
|
|
if a.data == "sqr":
|
|
fcode = "({0})^2".format(b)
|
|
elif a.data == "pow3":
|
|
fcode = "({0})^3".format(b)
|
|
else:
|
|
fcode = "({0})".format(b)
|
|
return fcode
|
|
|
|
def fcall (self, *args):
|
|
a = args[0]
|
|
func_name = a.value if hasattr(a, 'value') else str(a)
|
|
return function_registry.to_latex(func_name, *args[1:])
|
|
|
|
def neg(self, b):
|
|
fcode = "(-{})".format(b)
|
|
return fcode
|
|
|
|
def add(self, a, b):
|
|
fcode = "{} + {}".format(a, b)
|
|
return fcode
|
|
|
|
def sub(self, a, b):
|
|
fcode = "{} - {}".format(a, b)
|
|
return fcode
|
|
|
|
def mul(self, a, b):
|
|
fcode = "{} {}".format(a, b)
|
|
return fcode
|
|
|
|
def div(self, a, b):
|
|
fcode = "{} / {}".format(a, b)
|
|
return fcode
|
|
|
|
log = lambda self : "\log"
|
|
exp = lambda self : "\exp"
|
|
sqrt = lambda self : "sqrt"
|
|
abs = lambda self : "abs"
|
|
rxn_rate = lambda self : "\omega"
|
|
udf = lambda self, a : a.value
|
|
|
|
|
|
|
|
|
|
@v_args(inline=True)
|
|
class ExpToCode(Transformer):
|
|
"""DSL 수학 수식 트리를 Fortran의 3차원 인덱스 코드 형태의 수식 문자열로 다이렉트 매핑하는 번역기입니다.
|
|
SymPy 최적화를 사용하지 않는 대체 연산 경로 등에서 보조적으로 사용됩니다.
|
|
"""
|
|
|
|
def __init__(self, fdict):
|
|
self.fdict = fdict
|
|
|
|
def number(self, numeral):
|
|
return str(float(numeral))
|
|
|
|
def env(self, name):
|
|
return name.value
|
|
|
|
def paren(self, name):
|
|
return "({})".format(str(name))
|
|
|
|
def var(self, name):
|
|
try:
|
|
arrname = self.fdict[name.value].array
|
|
except KeyError:
|
|
arrname = name.value
|
|
|
|
return arrname + "(i,j,k)"
|
|
|
|
def fluc(self, name):
|
|
try:
|
|
arrname = self.fdict[name.value].array
|
|
except KeyError:
|
|
arrname = name.value
|
|
|
|
fmt = "({0}(i,j,k) - {{0}}avg_{1}(i))"
|
|
return fmt.format(arrname, name.value)
|
|
|
|
def dnx (self, partial, b):
|
|
signature = "{}_{}".format(partial.data, b.value)
|
|
try:
|
|
arrname = self.fdict[signature].array
|
|
except KeyError:
|
|
arrname = signature
|
|
|
|
return arrname + "(i,j,k)"
|
|
|
|
def icall (self, a, b):
|
|
if a.data == "sqr":
|
|
fcode = "(({0})*({0}))".format(b)
|
|
elif a.data == "pow3":
|
|
fcode = "(({0})*({0})*({0}))".format(b)
|
|
else:
|
|
fcode = "({0})".format(b)
|
|
return fcode
|
|
|
|
def fcall (self, *args):
|
|
a = args[0]
|
|
b = ", ".join(args[1:])
|
|
fcode = "( {} ( {} ) )".format(a, b)
|
|
return fcode
|
|
|
|
def neg(self, b):
|
|
fcode = "( - {} )".format(b)
|
|
return fcode
|
|
|
|
def add(self, a, b):
|
|
fcode = "( {} + {} )".format(a, b)
|
|
return fcode
|
|
|
|
def sub(self, a, b):
|
|
fcode = "( {} - {} )".format(a, b)
|
|
return fcode
|
|
|
|
def mul(self, a, b):
|
|
fcode = "( {} * {} )".format(a, b)
|
|
return fcode
|
|
|
|
def div(self, a, b):
|
|
fcode = "( {} / {} )".format(a, b)
|
|
return fcode
|
|
|
|
log = lambda self : "log"
|
|
exp = lambda self : "exp"
|
|
sqrt = lambda self : "sqrt"
|
|
abs = lambda self : "abs"
|
|
rxn_rate = lambda self : "rxn_rate"
|
|
udf = lambda self, a : a.value
|
|
|
|
|
|
|
|
|
|
def make_allocate(name, shape, init_zero=True):
|
|
"""Fortran 배열을 동적 할당하고 예외 발생 시 프로세스를 안전하게 폭파시키는 할당 코드를 작성해 줍니다."""
|
|
alloc_str = f"allocate({name}({shape}), stat=ierr)\n"
|
|
alloc_str += f"if (ierr /= 0) then\n"
|
|
alloc_str += f" write(0,*) 'Error: allocation of {name} failed on process', myid\n"
|
|
alloc_str += f" call MPI_ABORT(MPI_COMM_TASK, 1, mpi_err)\n"
|
|
alloc_str += f"end if"
|
|
if init_zero:
|
|
alloc_str += f"\n{name} = 0."
|
|
return alloc_str
|
|
|
|
|
|
class FieldBase (object):
|
|
"""모든 물리 필드 객체의 최상위 기본 클래스로서 공통 데이터 구조 및 선언/할당 문자열 작성을 담당합니다."""
|
|
def __init__ (self, name, fdict):
|
|
self.name = name
|
|
self.array = name # 실제 메모리 버퍼 상의 지칭 배열 명칭
|
|
self.dep = set([]) # 종속된(의존 중인) 하위 필드 리스트
|
|
self.fluc = False # 변동량 편차 계산 대상인지 여부
|
|
self.prime = False # 기본 데이터 파일로부터 읽어 들이는 원본 필드인지 여부
|
|
self.fdict = fdict
|
|
self.shape = "nxp,nyp,nzp" # 3차원 그리드 구조
|
|
self.dim = ":,:,:"
|
|
|
|
def depends_on (self, a):
|
|
return (a in self.dep)
|
|
|
|
def is_fluctuation (self):
|
|
return self.fluc
|
|
|
|
def export_on (self):
|
|
return False
|
|
|
|
def __repr__ (self):
|
|
return self.name
|
|
|
|
def checkFluctuation (self):
|
|
"""본 변수 혹은 의존하고 있는 하위 기호들 중에 변동량(Fluctuation) 관련 계산이 개입되어 있는지
|
|
상향식으로 전파 추적하는 재귀 메서드입니다.
|
|
"""
|
|
fset = set([])
|
|
|
|
for d in map(self.fdict.get, self.dep):
|
|
fset.update(d.checkFluctuation())
|
|
|
|
if self.is_fluctuation() or len(fset) > 0:
|
|
fset.add(self.name)
|
|
|
|
return fset
|
|
|
|
def depClosure (self):
|
|
"""해당 변수를 계산하기 위해 선행 계산되어야 하는 모든 하위 변수 노드들을
|
|
재귀적으로 타고 내려가 총합 폐쇄 집합(Closure Set)으로 묶어 반환합니다.
|
|
"""
|
|
fset = set(self.dep)
|
|
|
|
for d in self.dep:
|
|
fset.update(self.fdict[d].depClosure())
|
|
|
|
return fset
|
|
|
|
|
|
def code_decl (self):
|
|
real_array_decl = "real(real64), allocatable, dimension({1}) :: {0}"
|
|
return real_array_decl.format(self.name, self.dim)
|
|
|
|
def code_alloc (self):
|
|
return make_allocate(self.name, self.shape)
|
|
|
|
def code_free (self):
|
|
real_array_free = "deallocate({})"
|
|
return real_array_free.format(self.name)
|
|
|
|
|
|
class FieldExporter (object):
|
|
"""물리 필드 데이터를 병렬 분산 디스크 시스템으로 직접 추출(Export)하는 고성능 MPI-IO 서브루틴 블록을
|
|
생성하는 템플릿 처리 클래스입니다.
|
|
|
|
1. Subarray 방식 (기본값): MPI_TYPE_CREATE_SUBARRAY를 사용하여 3차원 격자의 전체 물리 도메인에서
|
|
현재 MPI 랭크가 맡고 있는 일부분의 3D 블록을 통째로 오프셋과 크기를 지정해 병렬 쓰기함으로써 병목을 최소화합니다.
|
|
2. Legacy Copy 방식 (특정 X 좌표들만 샘플링하여 쓸 때): 전체 배열 중 특정 좌표들만 추출하여
|
|
임시 전송 배열로 카피한 뒤 단일 스트림 형태로 쓰기를 수행합니다.
|
|
"""
|
|
|
|
mpi_io_decl='''
|
|
! field exporter common
|
|
integer(kind=MPI_OFFSET_KIND) :: offset
|
|
'''
|
|
|
|
# Subarray 버전 템플릿
|
|
fmt_decl_subarray='''
|
|
! - file_handles and mpi_infos
|
|
integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_fh
|
|
integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_info
|
|
integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_filetype
|
|
'''
|
|
|
|
fmt_init_subarray='''
|
|
! init subarray datatype for {{ field_name }}
|
|
block
|
|
integer(4) :: sizes(3), subsizes(3), starts(3)
|
|
call MPI_INFO_CREATE({{ field_name }}_info, mpi_err)
|
|
call MPI_FILE_OPEN(MPI_COMM_TASK,'export-{{ field_name }}.dat',MPI_MODE_WRONLY+MPI_MODE_CREATE,{{ field_name }}_info,{{ field_name }}_fh,mpi_err)
|
|
sizes = (/ nxp, nyp, nzp /)
|
|
subsizes = (/ {{ len_xpts }}, {{ ye }} - {{ ys }} + 1, {{ ze }} - {{ zs }} + 1 /)
|
|
starts = (/ {{ xs }} - 1, {{ ys }} - 1, {{ zs }} - 1 /)
|
|
call MPI_TYPE_CREATE_SUBARRAY(3, sizes, subsizes, starts, MPI_ORDER_FORTRAN, MPI_REAL8, {{ field_name }}_filetype, mpi_err)
|
|
call MPI_TYPE_COMMIT({{ field_name }}_filetype, mpi_err)
|
|
end block
|
|
'''
|
|
|
|
fmt_final_subarray='''
|
|
! finalize
|
|
call MPI_FILE_CLOSE({{ field_name }}_fh, mpi_err)
|
|
call MPI_INFO_FREE({{ field_name }}_info, mpi_err)
|
|
call MPI_TYPE_FREE({{ field_name }}_filetype, mpi_err)
|
|
'''
|
|
|
|
fmt_calc_subarray='''
|
|
! write to file via MPI Subarray
|
|
count = ({{ len_xpts }}) * ({{ ye }} - {{ ys }} + 1) * ({{ ze }} - {{ zs }} + 1)
|
|
offset = export_offset(fidx) * count * 8
|
|
call MPI_FILE_WRITE_AT({{ field_name }}_fh, offset, {{ work_array }}, 1, {{ field_name }}_filetype, mpi_status, mpi_err)
|
|
'''
|
|
|
|
# Legacy copy 버전 (fallback)
|
|
fmt_decl_legacy='''
|
|
! - file_handles and mpi_infos
|
|
integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_fh
|
|
integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_info
|
|
|
|
! - buffer
|
|
real(real64), allocatable, dimension(:,:,:) :: {{ field_name }}_export_array
|
|
integer, allocatable, dimension(:) :: {{ field_name }}_xpts
|
|
'''
|
|
|
|
fmt_init_legacy='''
|
|
! init
|
|
call MPI_INFO_CREATE({{ field_name }}_info, mpi_err)
|
|
call MPI_FILE_OPEN(MPI_COMM_TASK,'export-{{ field_name }}.dat',MPI_MODE_WRONLY+MPI_MODE_CREATE,{{ field_name }}_info,{{ field_name }}_fh,mpi_err)
|
|
allocate({{ field_name }}_export_array(1:{{ len_xpts }},{{ ys }}:{{ ye }},{{ zs }}:{{ ze }}), stat=ierr)
|
|
if (ierr /= 0) then
|
|
write(0,*) 'Error: allocation of {{ field_name }}_export_array failed on process', myid
|
|
call MPI_ABORT(MPI_COMM_TASK, 1, mpi_err)
|
|
end if
|
|
{{ field_name }}_export_array = 0.
|
|
allocate({{ field_name }}_xpts(1:{{ len_xpts }}), stat=ierr)
|
|
if (ierr /= 0) then
|
|
write(0,*) 'Error: allocation of {{ field_name }}_xpts failed on process', myid
|
|
call MPI_ABORT(MPI_COMM_TASK, 1, mpi_err)
|
|
end if
|
|
{{ xpts_init }}
|
|
'''
|
|
|
|
fmt_final_legacy='''
|
|
! finalize
|
|
call MPI_FILE_CLOSE({{ field_name }}_fh, mpi_err)
|
|
call MPI_INFO_FREE({{ field_name }}_info, mpi_err)
|
|
deallocate({{ field_name }}_export_array)
|
|
deallocate({{ field_name }}_xpts)
|
|
'''
|
|
|
|
fmt_calc_legacy='''
|
|
! copy to array for export
|
|
do k = {{ zs }}, {{ ze }}
|
|
do j = {{ ys }}, {{ ye }}
|
|
do i = 1, {{ len_xpts }}
|
|
{{ field_name }}_export_array(i,j,k) = {{ work_array }}({{ field_name }}_xpts(i),j,k)
|
|
end do
|
|
end do
|
|
end do
|
|
|
|
! write to file
|
|
count = ({{ len_xpts }}) * ({{ ye }} - {{ ys }} + 1) * ({{ ze }} - {{ zs }} + 1)
|
|
offset = export_offset(fidx) * count * 8
|
|
call MPI_FILE_WRITE_AT({{ field_name }}_fh, offset, {{ field_name }}_export_array, count, MPI_REAL8, mpi_status, mpi_err)
|
|
'''
|
|
|
|
def __init__ (self, name, attr, parent):
|
|
self.name = name
|
|
self.attr = attr
|
|
self.parent = parent
|
|
|
|
self.params = dict(attr)
|
|
|
|
self.params.setdefault("xs", 1)
|
|
self.params.setdefault("xe", "nxp")
|
|
self.params.setdefault("ys", 1)
|
|
self.params.setdefault("ye", "nyp")
|
|
self.params.setdefault("zs", 1)
|
|
self.params.setdefault("ze", "nzp")
|
|
|
|
self.params.setdefault("field_name", self.name)
|
|
|
|
self.params.setdefault("len_xpts", f"({self.params['xe']} - {self.params['xs']} + 1)")
|
|
|
|
fmt_xpts_init = '''
|
|
do i = {{ xs }}, {{ xe }}
|
|
{{ field_name }}_xpts(i-{{ xs }}+1) = i
|
|
end do
|
|
'''
|
|
self.params.setdefault("xpts_init", Template(fmt_xpts_init).render(**self.params))
|
|
|
|
try:
|
|
# Sampling at listed x coordinates
|
|
fmt_xpts_init_list = "{{ field_name }}_xpts = (/ {{ list_xpts }} /)"
|
|
|
|
import sys
|
|
raw_xpts = self.params["xpts"]
|
|
int_xpts = list(map(int, raw_xpts.split()))
|
|
len_xpts = len(int_xpts)
|
|
self.params["len_xpts"] = len_xpts
|
|
self.params["list_xpts"] = ",".join(map(str, int_xpts))
|
|
self.params["xpts_init"] = Template(fmt_xpts_init_list).render(**self.params)
|
|
except KeyError:
|
|
pass
|
|
|
|
self.use_subarray = ("xpts" not in self.params)
|
|
|
|
|
|
def code (self):
|
|
self.params["work_array"] = self.parent.array
|
|
if self.use_subarray:
|
|
return Template(FieldExporter.fmt_calc_subarray).render(**self.params)
|
|
else:
|
|
return Template(FieldExporter.fmt_calc_legacy).render(**self.params)
|
|
|
|
def code_decl (self):
|
|
if self.use_subarray:
|
|
return Template(FieldExporter.fmt_decl_subarray).render(**self.params)
|
|
else:
|
|
return Template(FieldExporter.fmt_decl_legacy).render(**self.params)
|
|
|
|
def code_alloc (self):
|
|
if self.use_subarray:
|
|
return Template(FieldExporter.fmt_init_subarray).render(**self.params)
|
|
else:
|
|
return Template(FieldExporter.fmt_init_legacy).render(**self.params)
|
|
|
|
def code_free (self):
|
|
if self.use_subarray:
|
|
return Template(FieldExporter.fmt_final_subarray).render(**self.params)
|
|
else:
|
|
return Template(FieldExporter.fmt_final_legacy).render(**self.params)
|
|
|
|
|
|
|
|
|
|
class Field (FieldBase):
|
|
"""일반 대입 계산 변수를 관리하며, 3차원 격자점 루프 코드 생성을 담당하는 핵심 클래스입니다.
|
|
SymPy 최적화 및 CSE 적용 코드를 루프 본문에 결합합니다.
|
|
"""
|
|
|
|
def __init__ (self, name, attr, exp, fdict):
|
|
super(Field,self).__init__(name, fdict)
|
|
self.attr = attr
|
|
self.exp = exp
|
|
self.fluc, self.dep, self.derivs = ExpInspector.inspect(exp)
|
|
self.comment = self.name + " = " + ExpToCode(self.fdict).transform(self.exp)
|
|
|
|
self.latex_given = self.attr.get("latex")
|
|
if self.latex_given is None:
|
|
self.latex = ExpToLatex(self.fdict).transform(self.exp)
|
|
else:
|
|
self.latex = self.latex_given
|
|
|
|
self.exporter = None
|
|
try:
|
|
if self.attr["export"]:
|
|
self.exporter = FieldExporter(self.name, self.attr, self)
|
|
except KeyError:
|
|
pass
|
|
|
|
def export_on (self):
|
|
return self.exporter is not None
|
|
|
|
def code (self, alloc=None):
|
|
self.array = alloc[self.name] if alloc else self.name
|
|
|
|
# SymPy 기호 수식 최적화 및 루프 내 CSE 적용 스칼라 추출
|
|
opt = SympyOptimizer.get_instance(self.fdict)
|
|
rhs, cse_decls, cse_assigns = opt.optimize_field(self.name, alloc)
|
|
|
|
decls_str = "\n".join(cse_decls) if cse_decls else ""
|
|
assigns_str = "\n".join(cse_assigns) if cse_assigns else ""
|
|
|
|
# 생성될 Fortran 3차원 루프 템플릿
|
|
# CSE 최적화에 의해 추출된 로컬 임시 스칼라 할당문(assigns_str)을 3중 루프 i, j, k 본문 내부에서 먼저 연산하도록 삽입하고,
|
|
# 이 변수들을 사용하여 우변(rhs)을 연산하고 최종 배열(array(i,j,k))에 저장합니다.
|
|
real_array_loop = """
|
|
! {{ comment }}
|
|
{% if decls_str -%}
|
|
block
|
|
{{ decls_str | indent(4, True) }}
|
|
{%- endif %}
|
|
do k = 1, nzp
|
|
do j = 1, nyp
|
|
do i = 1, nxp
|
|
{% if assigns_str -%}
|
|
{{ assigns_str | indent(4, True) }}
|
|
{{ array }}(i,j,k) = {{ rhs }}
|
|
{%- else -%}
|
|
{{ array }}(i,j,k) = {{ rhs }}
|
|
{%- endif %}
|
|
end do
|
|
end do
|
|
end do
|
|
{% if decls_str -%}
|
|
end block
|
|
{%- endif %}
|
|
"""
|
|
calculation_code = Template(real_array_loop).render(
|
|
comment=self.comment,
|
|
decls_str=decls_str,
|
|
assigns_str=assigns_str,
|
|
array=self.array,
|
|
rhs=rhs
|
|
)
|
|
|
|
export_code = ( self.exporter.code() if self.export_on() else "")
|
|
|
|
return calculation_code + export_code
|
|
|
|
|
|
class FluctuationField (FieldBase):
|
|
"""물리 필드의 난류 변동 성분(Fluctuation, u' = u - <u_w>)을 계산하기 위한 변수 클래스입니다.
|
|
수식 내의 u' 기호를 평균량과의 차이 수식으로 팽창하여 할당합니다.
|
|
"""
|
|
|
|
def __init__ (self, w, field, fset, fdict):
|
|
|
|
super(FluctuationField,self).__init__(self.id(w,field), fdict)
|
|
|
|
if w is not None:
|
|
self.w = w + "_"
|
|
else:
|
|
self.w = ""
|
|
|
|
self.field = fdict[field]
|
|
self.dep = self.field.dep - fset
|
|
for df in self.field.dep & fset:
|
|
self.dep.add(self.id(w,df))
|
|
|
|
self.comment = ExpToCode(self.fdict).transform(self.field.exp)
|
|
|
|
if self.field.is_fluctuation():
|
|
self.comment = self.comment.format(self.w)
|
|
|
|
self.comment = self.name + " = " + self.comment
|
|
|
|
def code (self, alloc=None):
|
|
self.array = alloc[self.name] if alloc else self.name
|
|
|
|
rhs = ExpToCode(self.fdict).transform(self.field.exp)
|
|
|
|
if self.field.is_fluctuation():
|
|
rhs = rhs.format(self.w)
|
|
|
|
real_array_loop = """
|
|
! {{ comment }}
|
|
do k = 1, nzp
|
|
do j = 1, nyp
|
|
do i = 1, nxp
|
|
{{ array }}(i,j,k) = {{ rhs }}
|
|
end do
|
|
end do
|
|
end do
|
|
"""
|
|
return Template(real_array_loop).render(
|
|
comment=self.comment,
|
|
array=self.array,
|
|
rhs=rhs
|
|
)
|
|
|
|
@classmethod
|
|
def id (cls, w, field):
|
|
if w:
|
|
name = "{}____{}_avg".format(field, w)
|
|
else:
|
|
name = "{}____avg".format(field)
|
|
return name
|
|
|
|
|
|
class PrimaryField (FieldBase):
|
|
"""격자 정보나 외부 물리계 수치 데이터(u, v, w, T 등) 파일에서 사전에 로드하여
|
|
메모리에 상주하는 기본 원본 입력 필드 클래스입니다.
|
|
자체 계산 루프나 동적 할당 코드를 직접 생성하지 않습니다.
|
|
"""
|
|
|
|
def __init__ (self, name, fdict):
|
|
super(PrimaryField,self).__init__(name, fdict)
|
|
self.derivs = set([])
|
|
self.prime = True
|
|
self.latex = name
|
|
self.latex_given = None
|
|
|
|
def code (self, alloc=None):
|
|
return "! {} is read from file".format(self.name)
|
|
|
|
def code_decl (self):
|
|
return "! {} is read from file".format(self.name)
|
|
|
|
def code_alloc (self):
|
|
return "! {} is read from file".format(self.name)
|
|
|
|
def code_free (self):
|
|
return "! {} is read from file".format(self.name)
|
|
|
|
|
|
class DerivedField (FieldBase):
|
|
"""수치 공간 미분(ddx, d2dy 등)을 수행하여 계산되는 유도 필드 클래스입니다.
|
|
Fortran 수치 차분 패키지 서브루틴(Compact.f90 에 구현된 dfnonp, dfp 등)의
|
|
동적 호출 코드를 출력합니다.
|
|
"""
|
|
|
|
def __init__ (self, op, v, fdict):
|
|
name = "{}_{}".format(op, v)
|
|
super(DerivedField,self).__init__(name, fdict)
|
|
self.op = op
|
|
self.v = v
|
|
self.dep = set([v])
|
|
|
|
partial = differential_operator_registry.get_latex_symbol(op)
|
|
self.latex = partial + "(" + fdict[v].latex + ")"
|
|
|
|
def code (self, alloc=None):
|
|
self.array = alloc[self.name] if alloc else self.name
|
|
varray = alloc[self.v] if alloc else self.v
|
|
# 예: call ddx ( xyzbuffer0, u ) 형태의 서브루틴 호출 코드를 작성
|
|
return "call {0} ( {2}, {1} )".format(self.op, varray, self.array)
|
|
|
|
|
|
class AveragedField (FieldBase):
|
|
"""특정 물리 필드를 격자의 동질 차원(예: X 방향 1D선상 평균)에 대해
|
|
공간 통계 평균(Average) 연산을 수행하는 1차원 필드 클래스입니다.
|
|
"""
|
|
|
|
@classmethod
|
|
def id (cls, w, tgt):
|
|
if w:
|
|
return "{}_avg_{}".format(w, tgt)
|
|
else:
|
|
return "avg_{}".format(tgt)
|
|
|
|
|
|
def __init__ (self, w, tgt, fdict):
|
|
|
|
name = self.id(w,tgt)
|
|
super(AveragedField,self).__init__(name, fdict)
|
|
self.shape = "nxp" # Y, Z 차원을 평균화하여 날려버리므로 X방향 크기인 nxp 1차원 배열이 됨
|
|
self.dim = ":"
|
|
self.target = tgt
|
|
|
|
tfield = fdict[tgt]
|
|
self.fset = tfield.checkFluctuation()
|
|
|
|
self.latex = r"\left\langle {} \right\rangle".format(tfield.latex)
|
|
|
|
if not self.fset:
|
|
self.tgt = tgt
|
|
self.dep.add(tgt)
|
|
else:
|
|
ftgt = FluctuationField.id(w,tgt)
|
|
self.tgt = ftgt
|
|
self.dep.add(ftgt)
|
|
|
|
self.weighted = w
|
|
if w:
|
|
self.w = fdict[w]
|
|
self.dep.add(w)
|
|
self.latex += ("_{{{}}}".format(w))
|
|
|
|
|
|
def code (self, alloc=None):
|
|
# 3차원 루프를 돌며 Y, Z 축에 대해 값을 누적합 연산하는 구문
|
|
avg_array_sum = """
|
|
do k = 1, nzp
|
|
do j = 1, nyp
|
|
do i = 1, nxp
|
|
{{ name }}(i) = {{ name }}(i) + {{ arrname }}
|
|
end do
|
|
end do
|
|
end do
|
|
"""
|
|
arrname = self.fdict[self.tgt].array + "(i,j,k)"
|
|
if self.weighted is not None:
|
|
arrname = arrname + " * " + self.w.array + "(i,j,k)"
|
|
|
|
return Template(avg_array_sum).render(name=self.name, arrname=arrname)
|
|
|
|
|
|
def code_avg (self):
|
|
# 병렬 랭크 간 MPI_ALLREDUCE를 통해 X방향 라인별 총합을 싱크한 뒤,
|
|
# 전체 그리드 면적(denum = nyp * nzp) 및 가중 평균 값으로 나누어 실제 수학적 평균값 산출
|
|
avg_array_divide = """
|
|
call MPI_ALLREDUCE(MPI_IN_PLACE, {{ name }}, nxp, MPI_REAL8, MPI_SUM, MPI_COMM_TASK, mpi_err)
|
|
|
|
{{ name }} = {{ name }} {{ dWeight }} / denum
|
|
"""
|
|
dWeight = (f"/ avg_{self.weighted}" if self.weighted else "")
|
|
|
|
return Template(avg_array_divide).render(name=self.name, dWeight=dWeight)
|
|
|
|
def isWeighted (self):
|
|
return self.weighted is not None
|
|
|
|
def pass1 (self):
|
|
return not self.pass2()
|
|
|
|
def pass2 (self):
|
|
# 수식 내에 u' 등 변동량 항이 포함되어 있으면,
|
|
# 원본 u의 평균치(<u_w>) 계산이 완료된 '이후'에만 연산이 가능하므로 Pass 2 대상이 됨
|
|
return len(self.fset) > 0
|
|
|
|
|
|
class Stage1():
|
|
"""컴파일러 1단계: DSL 파서 AST 트리로부터 필드 변수 정의 정보를 추출 및 적재합니다.
|
|
|
|
Lark 구문 파서가 생성한 추상 구문 트리(AST)를 CollectDefinitions Visitor 클래스로 횡단 스캔하여,
|
|
기본 변수(Primary), 수식 유도 변수(Derived), 평균 대상 사양(Averaged)을 모아 구조체 딕셔너리로 저장합니다.
|
|
"""
|
|
|
|
def __init__ (self, raw_tree):
|
|
"""Stage 1 초기화 및 AST 정의 스캔을 시작합니다.
|
|
|
|
Args:
|
|
raw_tree (lark.Tree): Lark 구문 파서가 해석 완료한 DSL 추상 구문 트리.
|
|
"""
|
|
self.primary = set([])
|
|
self.derived = {}
|
|
self.averaged = {}
|
|
|
|
# CollectDefinitions Visitor를 구동하여 AST 트리 내의 정의 스캔 시작
|
|
CollectDefinitions( self.primary, self.derived, self.averaged ).visit(raw_tree)
|
|
|
|
def __repr__ (self):
|
|
return "\n".join(map(str, [self.primary, self.derived, self.averaged]))
|
|
|
|
|
|
class Stage2():
|
|
"""컴파일러 2단계: 수식 내의 미분 및 변동 연산자를 감지하여 해당 물리 필드로 확장 처리합니다.
|
|
|
|
1단계에서 추출된 변수 식 내부에 ddx(u) 와 같은 수치 미분항이 검출되면, 이를 연산할 중간 미분 필드(DerivedField)를
|
|
자동 생성하고 의존성 체인에 등록합니다. 또한, u'와 같은 변동 성분이 포함되어 있으면
|
|
물리량에서 평균치를 뺀 변동량 계산용 임시 필드(FluctuationField)로 확장 생성하여 등록합니다.
|
|
"""
|
|
|
|
def __init__ (self, src):
|
|
"""Stage 2 초기화 및 변수 수식 확장을 가동합니다.
|
|
|
|
Args:
|
|
src (Stage1): 완료된 Stage 1의 AST 데이터 세트.
|
|
"""
|
|
self.src = src
|
|
self.primary = src.primary
|
|
self.derived = src.derived
|
|
self.derivative = {}
|
|
self.averaged = {}
|
|
|
|
# 1. 계산식 내에 존재하는 고차 차분 미분항(ddx, d2dy 등)을 찾아 중간 DerivedField로 등록
|
|
dset = set([])
|
|
for k, v in self.derived.items():
|
|
dset.update(v.derivs)
|
|
|
|
for tup in dset:
|
|
a = DerivedField(tup[0], tup[1], self.derived)
|
|
self.derived[a.name] = a
|
|
self.derivative[tup] = a
|
|
|
|
# 2. 통계 물리량 평균화 대상 변수들을 AveragedField 구조체로 구성하고,
|
|
# 변동량 계산이 필요한 경우 FluctuationField로 등록
|
|
for w, tgts in src.averaged.items():
|
|
for t in tgts:
|
|
a = AveragedField(w, t, self.derived)
|
|
self.averaged[a.name] = a
|
|
# 평균 편차가 동반된 항들에 대해 FluctuationField 생성
|
|
for ff in a.fset:
|
|
b = FluctuationField(w, ff, a.fset, self.derived)
|
|
self.derived[b.name] = b
|
|
|
|
def __repr__ (self):
|
|
return "\n".join(map(str, [self.derived, self.derivative, self.averaged]))
|
|
|
|
def dependency (self):
|
|
"""프로그램 내 모든 필드 간의 1차 의존 관계 그래프(Dependency Graph)를 추출하여 딕셔너리로 반환합니다."""
|
|
dgraph = {}
|
|
|
|
for k,v in self.derived.items():
|
|
dgraph[k] = v.dep
|
|
|
|
for k,v in self.averaged.items():
|
|
dgraph[k] = v.dep
|
|
|
|
return dgraph
|
|
|
|
|
|
class Stage3():
|
|
"""컴파일러 3단계: 연산 간의 의존성을 해결하여 3D 계산 루프의 최적 실행 순서를 계산합니다.
|
|
|
|
1. 루프 분할(Loop Splitting): 난류 평균량 연산의 인과관계에 따라 물리 연산을 두 개의 단계(Pass)로 쪼갭니다.
|
|
- Pass 1 (평균 계산 전): 입력 물리량들로부터 1차 수식을 연산하고, 1차 평균값(예: `<u_w>`)을 누적합하는 연산들.
|
|
- Pass 2 (평균 계산 후): 구해진 평균값을 활용하여 변동량(u' = u - `<u_w>`)을 계산하고,
|
|
이를 통반한 최종 결합 물리량을 추가적으로 계산/평균화하는 연산들.
|
|
2. 최적화 위상 정렬(Topological Sort): 각 Pass 내에서 변수의 선행 의존 관계가 완전히 해결된
|
|
올바른 순서로 순차 연산 코드가 생성되도록 정렬 알고리즘을 가동합니다.
|
|
"""
|
|
|
|
def __init__ (self, src):
|
|
"""Stage 3 초기화 및 위상 정렬을 수행하여 Pass 1, 2 실행 순서를 결정합니다.
|
|
|
|
Args:
|
|
src (Stage2): 확장된 변수 테이블을 가진 Stage 2 결과 객체.
|
|
"""
|
|
self.src = src
|
|
self.primary = src.primary
|
|
self.derived = src.derived
|
|
self.averaged = src.averaged
|
|
self.dependency = src.dependency()
|
|
|
|
# 이름 충돌 방지 검증
|
|
assert set(self.derived.keys()).isdisjoint(self.averaged.keys())
|
|
|
|
# Pass 1과 Pass 2 대상 평균화 변수 논리 분할
|
|
self.avg1 = set(filter(AveragedField.pass1, self.averaged.values()))
|
|
self.avg2 = set(filter(AveragedField.pass2, self.averaged.values()))
|
|
|
|
# Pass 1 위상 정렬: Pass 1 평균 변수들의 연산에 관여하는 모든 종속 관계를 수집하여 정렬
|
|
pass1calc = set(map(repr, self.avg1))
|
|
for x in self.avg1:
|
|
pass1calc.update(x.depClosure())
|
|
self.pass1 = self.sort_vars_new(self.dependency, pass1calc - self.primary)
|
|
|
|
# Pass 2 위상 정렬: Pass 2 평균 변수(변동 연산 연계)들의 연산에 관여하는 종속성을 정렬
|
|
pass2calc = set(map(repr, self.avg2))
|
|
for x in self.avg2:
|
|
pass2calc.update(x.depClosure())
|
|
self.pass2 = self.sort_vars_new(self.dependency, pass2calc - self.primary)
|
|
|
|
|
|
def __repr__ (self):
|
|
return "\n".join(map(str, [self.pass1, self.pass2]))
|
|
|
|
|
|
def sort_vars (self, dependency, group):
|
|
"""일반적인 단순 위상 정렬 알고리즘입니다."""
|
|
order = []
|
|
remain = list(group)
|
|
remain.sort()
|
|
|
|
while len(remain) > 0:
|
|
for v in remain:
|
|
if dependency[v].isdisjoint(remain):
|
|
order.append(v)
|
|
remain.remove(v)
|
|
|
|
return order
|
|
|
|
def calc_size (self, ordered, remaining):
|
|
"""위상 정렬 도중 활성화되는 임시 라이브 변수들의 상대적 가중치 스케일을 계산합니다.
|
|
메모리 상주 대역을 최소화하는 최적의 정렬 후보를 결정할 때 척도로 이용됩니다.
|
|
"""
|
|
count = 0
|
|
dep_union = set([])
|
|
|
|
g = self.dependency
|
|
|
|
for v in remaining:
|
|
dep_union |= set(g[v])
|
|
|
|
for v in ordered:
|
|
if v in dep_union:
|
|
count += 1
|
|
|
|
return count
|
|
|
|
|
|
def sort_vars_new (self, dependency, group):
|
|
"""메모리에 동시에 상주하여 참조되어야 하는 활성 라이브 변수의 개수를
|
|
최소화하도록 특수 설계된 메모리 인지형 위상 정렬(Memory-Aware Topological Sort) 알고리즘입니다.
|
|
|
|
매 정렬 단계마다 현재까지 결정된 실행 흐름(ordered)과 향후 연산되어야 할 대기 변수(remaining) 사이의
|
|
의존도 영향 범위(calc_size)를 계산하여, 생명 주기 창(Liveness Window)이 짧아지도록 후보군 중 최선의 변수를
|
|
선택해 나가며 실행 순서 목록을 빌드합니다.
|
|
"""
|
|
order = []
|
|
remain = list(group)
|
|
remain.sort()
|
|
|
|
while len(remain) > 0:
|
|
|
|
candidate = []
|
|
for v in remain:
|
|
if set(dependency[v]).isdisjoint(remain):
|
|
candidate.append(v)
|
|
|
|
impact = {}
|
|
|
|
size0 = self.calc_size(set(order), set(remain))
|
|
|
|
for v in candidate:
|
|
impact[v] = self.calc_size(set(order) | set([v]), set(remain) - set([v])) - size0
|
|
|
|
candidate.sort(key=impact.get)
|
|
|
|
# 활성 변수 상주 가중치 영향도가 가장 적은 후보를 우선 배치
|
|
order.append(candidate[0])
|
|
remain.remove(candidate[0])
|
|
|
|
return order
|
|
|
|
|
|
def print_program (self):
|
|
"""Stage 3 결과를 바탕으로, 최적화가 적용되지 않은 평이한 단일 3D 배열식으로
|
|
모든 중간 임시 변수를 개별 동적 할당하여 계산하는 원시 Fortran 소스코드를 인쇄합니다.
|
|
"""
|
|
|
|
allvar = dict(self.derived)
|
|
allvar.update(self.averaged)
|
|
|
|
decl = "\n".join(allvar[v].code_decl() for v in set(self.pass1+self.pass2))
|
|
alloc = "\n".join(allvar[v].code_alloc() for v in set(self.pass1+self.pass2))
|
|
free = "\n".join(allvar[v].code_free() for v in set(self.pass1+self.pass2))
|
|
|
|
calc1 = "\n".join(allvar[v].code() for v in self.pass1)
|
|
calc2 = "\n".join(allvar[v].code() for v in self.pass2)
|
|
|
|
set1 = [a.name for a in filter(AveragedField.pass1, self.averaged.values())]
|
|
set2 = [a.name for a in filter(AveragedField.pass2, self.averaged.values())]
|
|
|
|
set1.sort()
|
|
set2.sort()
|
|
|
|
avg1 = "\n".join(allvar[v].code_avg() for v in set1)
|
|
avg2 = "\n".join(allvar[v].code_avg() for v in set2)
|
|
|
|
hfmt = 'character (len = *), parameter :: output_header="{}"'
|
|
declh = hfmt.format(" ".join(["x"] + set1 + set2))
|
|
|
|
avg_array_write = '''
|
|
integer :: i
|
|
|
|
open (200, file="qEdge_X.dat")
|
|
|
|
write (200,*) output_header
|
|
|
|
do i=1,nxp
|
|
write (200,'({0}e20.10)') real(i)*hxp, {1}
|
|
end do
|
|
|
|
close (200)
|
|
'''
|
|
|
|
avgarr = "{}(i)"
|
|
write_avg = avg_array_write.format(
|
|
len(self.averaged)+1,
|
|
", ".join(map(avgarr.format, set1+set2))
|
|
)
|
|
|
|
md = {}
|
|
md["module_name"] = "terms"
|
|
md["module_data"] = "\n".join((declh, decl))
|
|
md["module_init"] = alloc
|
|
md["module_finalize"] = free
|
|
md["module_pass1"] = calc1
|
|
md["module_pass1_avg"] = avg1
|
|
md["module_pass2"] = calc2
|
|
md["module_pass2_avg"] = avg2
|
|
md["module_write_result"] = write_avg
|
|
|
|
return md
|
|
|
|
|
|
class Stage4():
|
|
"""컴파일러 4단계 (최종): 메모리 Pooling 버퍼 할당 및 SymPy 최적화 코드를 최종 결합하여 컴파일을 완료합니다.
|
|
|
|
[핵심 최적화 기술]
|
|
1. SymPy 수식 정리 및 의존 기호 교정:
|
|
- SymPy 기호 엔진을 통해 최적화 대상 필드들의 수식 트리를 전면 간소화합니다.
|
|
- 기호화 과정에서 대입 치환(substitution)으로 바뀐 수식들의 의존성을 재추적하여
|
|
컴파일러의 dependency 그래프를 정확한 상태로 최신화합니다.
|
|
2. 생명 주기 분석 (Liveness Analysis):
|
|
- 3D 배열은 크기가 막대하여 루프 중간에 생성되는 수십 개의 임시 변수들에게 각자 별도 배열을 할당하면
|
|
프로그램 실행이 불가능해집니다.
|
|
- 임시 변수가 할당되어 계산되는 시작점과 그 변수를 다른 수식들이 완전히 가져다 쓴 뒤
|
|
종료되는 참조 종점(Liveness window)을 2차원 부울 마스크 이미지 형태로 추적합니다.
|
|
3. 메모리 Pooling 및 버퍼 할당 (Array Register Allocation):
|
|
- Liveness 마스크 분석을 통해 동일 시점에 공존하여 메모리에 살아있어야 하는 임시 변수의 최대 중첩 개수를 파악하여
|
|
필요한 버퍼의 총수(self.narr)를 계산합니다.
|
|
- 재사용 가능한 버퍼 명칭 풀(pool)을 정의하고, Liveness에 의해 변수의 생명이 다하면 사용하던 버퍼명을 풀에 반환하며,
|
|
새로운 변수가 활성화될 때 풀에서 빈 버퍼명을 분배(Pop)하는 방식으로 3차원 물리 필드 메모리 오버헤드를
|
|
O(1) 수준의 버퍼 몇 개 세트로 극도로 낮춥니다 (xyzbuffer0, xyzbuffer1 등).
|
|
"""
|
|
def __init__ (self, src):
|
|
self.src = src
|
|
self.primary = src.primary
|
|
self.derived = src.derived
|
|
self.averaged = src.averaged
|
|
self.dependency = src.dependency
|
|
self.avg1 = src.avg1
|
|
self.avg2 = src.avg2
|
|
self.pass1 = src.pass1
|
|
self.pass2 = src.pass2
|
|
|
|
# 1. SymPy 수식 최적화 엔진 초기화
|
|
opt = SympyOptimizer.get_instance(self.derived)
|
|
opt.set_averaged(self.averaged)
|
|
|
|
# 2. SymPy가 대입식 치환(Substitution) 과정에서 제거한 불필요한 의존성 관계를
|
|
# 의존성 그래프에 즉각 반영하여 실제 계산을 위한 의존성 체인을 슬림하게 정리합니다.
|
|
updated_dependency = {}
|
|
for name, dep_set in self.dependency.items():
|
|
if name in self.derived and isinstance(self.derived[name], Field):
|
|
expr = opt.get_sympy_expr(name)
|
|
# 실제 정리된 SymPy 식에 잔존하는 자유 기호 명칭들만 추출
|
|
free_sym_names = {sym.name for sym in expr.free_symbols}
|
|
valid_deps = {dep for dep in free_sym_names if dep in self.derived or dep in self.primary}
|
|
updated_dependency[name] = valid_deps
|
|
else:
|
|
updated_dependency[name] = dep_set
|
|
self.dependency = updated_dependency
|
|
|
|
self.array_name = "xyzbuffer{}" # Pooling용 공용 3차원 버퍼 이름 포맷
|
|
|
|
# 3. Pass 1 및 Pass 2 연산 순서 배열들에 대해 각각 버퍼 공유 매핑(Pooling) 수행
|
|
narr1, alloc1 = (self.allocate_arr(self.pass1))
|
|
narr2, alloc2 = (self.allocate_arr(self.pass2))
|
|
|
|
# 전체 프로그램에서 필요한 동적 공유 3D 버퍼 배열의 최대 크기 설정
|
|
self.narr = max(narr1, narr2)
|
|
|
|
self.alloc1 = alloc1 # Pass 1 변수명 -> 공용 xyzbuffer 명칭 매핑 정보
|
|
self.alloc2 = alloc2 # Pass 2 변수명 -> 공용 xyzbuffer 명칭 매핑 정보
|
|
|
|
|
|
def liveness (self, l1, g):
|
|
"""위상 정렬된 변수 시퀀스 `l1`과 의존성 그래프 `g`를 이용하여
|
|
각 변수가 루프 타임라인 내내 살아있어야 하는 구간(Liveness window)을 2D 부울 행렬로 구성합니다.
|
|
|
|
행렬의 (i, j)가 True이면, i번째 변수가 j번째 연산 시점에 살아있어야 함을 의미합니다.
|
|
"""
|
|
import numpy as np
|
|
img = np.zeros((len(l1), len(l1)))
|
|
for i, v in enumerate(l1):
|
|
for j in range(i, len(l1)):
|
|
# 만약 i번째 변수가 훗날 j번째 변수를 계산할 때의 하위 의존성(g[l1[j]])에 포함되어 있으면,
|
|
# i번째 변수는 j번째 연산 시점까지 생명이 연장되어 살아있어야(live) 합니다.
|
|
img[i,i:j+1] = img[i,i:j+1] + (1 if v in g[l1[j]] else 0)
|
|
return img > 0
|
|
|
|
|
|
def allocate_arr (self, l):
|
|
"""Liveness 분석 데이터를 바탕으로 동적 3D 배열 레지스터 할당(Pooling)을 수행합니다.
|
|
동시 활성 상태를 파악하여 최소 버퍼 개수(narr)를 도출하고, 변수 간 버퍼 공유 관계(var2arr)를 리턴합니다.
|
|
"""
|
|
import numpy as np
|
|
|
|
dg = self.dependency
|
|
|
|
# 1. 생명 주기 마스크 행렬 획득
|
|
mask = self.liveness(l, dg)
|
|
|
|
# 2. 열 방향 합계를 내어 동시에 생존해야 하는 임시 변수의 최대 개수(동시 상주 배열 피크치)를 산출
|
|
try:
|
|
narr = mask.astype(int).sum(axis=0).max()
|
|
except ValueError:
|
|
narr = 0
|
|
|
|
# 사용 가능한 공유 버퍼 풀 정의
|
|
array_pool = set([self.array_name.format(i) for i in range(narr)])
|
|
|
|
# 각 계산 단계별로 살아있는 변수들의 집합 구성
|
|
livesets = [set([])] + [set(np.asarray(l)[row]) for row in mask.T]
|
|
|
|
# 기본 입력 변수들은 파일로부터 직접 매핑되므로 원래 명칭 유지
|
|
var2arr = { p : p for p in self.primary }
|
|
|
|
# 루프 연산 순서 타임라인을 한 단계씩 밟아가며 동적 버퍼 매핑 시뮬레이션 수행
|
|
for i, (s0, s1) in enumerate(zip(livesets[:-1], livesets[1:])):
|
|
|
|
# 이전 단계(s0)에는 살아있었으나 이번 단계(s1)에서는 죽은 변수들(s0 - s1)의
|
|
# 할당 버퍼를 다시 사용 가능한 array_pool로 회수(반환)합니다.
|
|
array_pool.update(map(var2arr.get, s0 - s1))
|
|
|
|
# 이번 단계에 새로 생성되는 변수들(s1 - s0)에게 풀에서 노는 버퍼명을 Pop하여 할당(배분)합니다.
|
|
for new in s1 - s0:
|
|
var2arr[new] = array_pool.pop()
|
|
|
|
return narr, var2arr
|
|
|
|
|
|
def work_array_codes (self):
|
|
"""생성된 Fortran 모듈 상단에 선언 및 할당/해제될 공용 3D 버퍼 배열(xyzbuffer0, ...)의
|
|
선언문, allocate문, deallocate문 코드를 작성합니다.
|
|
"""
|
|
array_names = [self.array_name.format(i) for i in range(self.narr)]
|
|
|
|
real_array_decl = "real(real64), allocatable, dimension(:,:,:) :: {0}"
|
|
decl = "\n".join([real_array_decl.format(v) for v in array_names])
|
|
alloc = "\n".join([make_allocate(v, "nxp,nyp,nzp") for v in array_names])
|
|
free = "\n".join(["deallocate({})".format(v) for v in array_names])
|
|
|
|
return decl, alloc, free
|
|
|
|
|
|
def write_avg_codes (self, avglist):
|
|
"""연산 최종 완료 후 평균화가 끝난 1D 결과 데이터셋 및 미분량을
|
|
텍스트 파일(qEdge_X.dat, d1.dat, d2.dat)에 형식에 맞추어 라이팅하는 Fortran 서브루틴 블록을 생성합니다.
|
|
"""
|
|
avg_array_write = '''
|
|
real(real64), dimension(nxp) :: xbuffer
|
|
integer :: i
|
|
|
|
open (200, file="qEdge_X.dat")
|
|
write (200,*) output_header
|
|
do i=1,nxp
|
|
write (200,'({{ num_args }}e20.10)') real(i)*hxp, {{ formatted_avglist }}
|
|
end do
|
|
close (200)
|
|
|
|
open (200, file="d1.dat")
|
|
{{ deriv1_lines }}
|
|
close (200)
|
|
|
|
open (200, file="d2.dat")
|
|
{{ deriv2_lines }}
|
|
close (200)
|
|
'''
|
|
avgarr = "{}(i)"
|
|
deriv1_avgarr = """call ddx1d ( xbuffer, {} ) ; write (200,*) xbuffer"""
|
|
deriv2_avgarr = """call d2dx1d ( xbuffer, {} ) ; write (200,*) xbuffer"""
|
|
|
|
num_args = len(self.averaged) + 1
|
|
formatted_avglist = ", ".join(map(avgarr.format, avglist))
|
|
deriv1_lines = "\n".join(map(deriv1_avgarr.format, avglist))
|
|
deriv2_lines = "\n".join(map(deriv2_avgarr.format, avglist))
|
|
|
|
write_avg = Template(avg_array_write).render(
|
|
num_args=num_args,
|
|
formatted_avglist=formatted_avglist,
|
|
deriv1_lines=deriv1_lines,
|
|
deriv2_lines=deriv2_lines
|
|
)
|
|
return write_avg
|
|
|
|
|
|
def print_program (self):
|
|
"""4단계 최적화(공유 Pooling 버퍼 매핑 및 SymPy CSE 치환)가 완료된
|
|
가장 고성능의 최종 Fortran 모듈 코드를 생성하기 위해 Jinja2용 딕셔너리를 빌드합니다.
|
|
"""
|
|
opt = SympyOptimizer.get_instance(self.derived)
|
|
opt.set_averaged(self.averaged)
|
|
|
|
allvar = dict(self.derived)
|
|
allvar.update(self.averaged)
|
|
|
|
# 평균 변수들을 순서대로 분배
|
|
set1 = sorted([a.name for a in filter(AveragedField.pass1, self.averaged.values())])
|
|
set2 = sorted([a.name for a in filter(AveragedField.pass2, self.averaged.values())])
|
|
|
|
# 외부 디스크 파일 익스포트 활성화 여부 확인
|
|
set_export_on = list(filter(lambda x: x.export_on(), self.derived.values()))
|
|
|
|
ffmt = 'logical, parameter :: pass2_required={}'
|
|
declf = ffmt.format('.true.' if len(set2) > 0 else '.false.')
|
|
|
|
hfmt = 'character (len = *), parameter :: output_header="{}"'
|
|
declh = hfmt.format(" ".join(["x"] + set1 + set2))
|
|
|
|
# 공용 Pooling 3D 버퍼 배열의 선언/할당 코드 생성
|
|
declarr, allocarr, freearr = self.work_array_codes()
|
|
|
|
# 1차원 평균 물리량 배열들의 선언/할당 코드 생성
|
|
declavg = "\n".join(self.averaged[v].code_decl() for v in sorted(self.averaged))
|
|
allocavg = "\n".join(self.averaged[v].code_alloc() for v in sorted(self.averaged))
|
|
freeavg = "\n".join(self.averaged[v].code_free() for v in sorted(self.averaged))
|
|
|
|
# 병렬 파일 쓰기(MPI Subarray)를 위한 MPI 리소스 선언/할당 코드 생성
|
|
decl_export = "\n".join(v.exporter.code_decl() for v in set_export_on)
|
|
alloc_export = "\n".join(v.exporter.code_alloc() for v in set_export_on)
|
|
free_export = "\n".join(v.exporter.code_free() for v in set_export_on)
|
|
|
|
# Pass 1과 Pass 2 루프 내부 본문 연산 코드들을 생성 (각자 버퍼 맵 alloc1, alloc2 적용)
|
|
sub_calc1 = "\n".join(allvar[v].code(self.alloc1) for v in self.pass1 if v in self.averaged or v in self.alloc1)
|
|
sub_calc2 = "\n".join(allvar[v].code(self.alloc2) for v in self.pass2 if v in self.averaged or v in self.alloc2)
|
|
|
|
# 평균 누적 연산 코드 생성
|
|
sub_avg1 = "\n".join(allvar[v].code_avg() for v in set1)
|
|
sub_avg2 = "\n".join(allvar[v].code_avg() for v in set2)
|
|
|
|
# 파일 쓰기 루틴 코드 생성
|
|
sub_write_avg = self.write_avg_codes(set1+set2)
|
|
|
|
md = {}
|
|
md["module_name"] = "terms"
|
|
md["module_data"] = "\n".join((declf, declh, declavg, FieldExporter.mpi_io_decl, decl_export, declarr))
|
|
md["module_init"] = "\n".join((allocavg, alloc_export, allocarr))
|
|
md["module_finalize"] = "\n".join((freeavg, free_export, freearr))
|
|
md["module_pass1"] = sub_calc1
|
|
md["module_pass1_avg"] = sub_avg1
|
|
md["module_pass2"] = sub_calc2
|
|
md["module_pass2_avg"] = sub_avg2
|
|
md["module_write_result"] = sub_write_avg
|
|
|
|
return md
|
|
|
|
|
|
def save_ir (self):
|
|
"""코드 생성 디버깅을 위해 중간 컴파일 단계 변수 목록 및 의존성 맵을 JSON 형태 파일로 덤프합니다."""
|
|
import json
|
|
|
|
dg = {k:list(v) for k,v in self.dependency.items()}
|
|
|
|
with open("ir2.py", "w") as irf:
|
|
print("g = ", json.dumps(dg, indent=4), file=irf)
|
|
print("l1 = ", json.dumps(self.pass1, indent=4), file=irf)
|
|
print("l2 = ", json.dumps(self.pass2, indent=4), file=irf)
|
|
print("avg1 = ", json.dumps(list(map(repr,self.avg1)), indent=4), file=irf)
|
|
print("avg2 = ", json.dumps(list(map(repr,self.avg2)), indent=4), file=irf)
|