QuatumQuill

单机并行

说明公共路径规划调用、低层算法、slice chunks 和 GEMM 线程分别在哪一层并行。

本页目录

并行单位

位置 可并行工作 仍需顺序或同步的部分
Auto preset 公共预设管理的路径规划工作 不指定内部任务映射
random_greedy 多条完整 trials 一条 trial 的贪心步骤
bisect 多条独立划分 trials 一次递归划分的父子调用
order_dp 同一 interval length 的不同区间 区间长度从小到大推进
anneal_paths / treesa_path 多条独立 chains 一条 chain 内的 rotations
temper_path(s) 同一轮的 replica segments 轮末相邻交换和下一轮
native sliced execution 多个固定 slice chunks chunk 内和最终 partial merge 的顺序
matrixmultiply mt 单个 GEMM 内部线程 由可选 Cargo feature 和线程上限控制

对公开低层算法，并行对象的数量给出阶段并行度上限；给一个阶段更多线程，不代表它能持续占用同样数量的 CPU 核。Auto preset 不规定公开的内部任务数量或同步方式。

线程池与嵌套并行

bash
RAYON_NUM_THREADS=8 cargo run --release --bin tnpath -- \
  network.json --method auto --preset heavy --seed 0

RAYON_NUM_THREADS=8 MATMUL_NUM_THREADS=1 tnexec \
  --net network.json --load-path plan.json
控制项 作用域
RAYON_NUM_THREADS Auto 路径规划、公开低层算法和 native slice chunks
MATMUL_NUM_THREADS 启用 matrixmultiply mt feature 时的单个 GEMM 内线程
CPU affinity / launcher binding 进程实际可以运行在哪些 CPU 上

外层 Rayon 与内层 GEMM 同时扩张会造成 oversubscription。tnexec 在实际 outer chunk 多于 1 且调用者没有显式设置时，把 MATMUL_NUM_THREADS 设为 1；显式环境变量始终由调用者负责。默认 Python wheel 不启用 matrixmultiply 的可选线程池。

线程数、工作量和结果

对低层固定 ntrials、chains、rounds 或 moves 的调用，增加线程主要改变完成这些工作所需的墙钟。Auto 预设可能随资源环境改变实际搜索工作，因此比较不同线程数时必须同时记录路径质量，且不能默认工作量保持不变。

比较问题 需要固定的量
固定工作量的线程加速 同一入口、trial/chain/round 数、seed、objective 和输出验证
Auto 资源档位的最终质量 记录公开配置、实测墙钟和最终路径指标，不称为普通 strong scaling
带 max_time 的结果 外部硬墙钟、重复次数和实际完成工作；协作式检查会受运行时序影响
切片执行加速 同一 path、sliced legs、dtype、chunk 规则和后端

Warning

资源口径

线程池宽度不是物理核数，也不是实际平均用核。只写 RAYON_NUM_THREADS=8 不能证明阶段使用了 8 个物理核。

并行运行的报告口径

阶段平均 CPU 使用量可以用 process CPU time / wall time 估计。例如比值为 2 表示该窗口内平均每秒消耗 2 个 CPU 秒，不能单独证明使用了多少物理核。等待、内存带宽瓶颈或任务不足都会使该比值低于线程池宽度。

下载原始 Markdown 文档 ↓