Si EvoX peut soutenirl'exploration évolutionnaire parallèle à haute intensité, sa fondation se résume en une phrase :de la liste de candidats au graphe de calcul tensorisé. Les expériences évolutionnaires classiques traitent chaque individu comme un objet Python indépendant, modèle par modèle et évaluation par évaluation ; lorsque le nombre de candidats atteint des milliers, le véritable goulot d'étranglement n'est souvent plus l'algorithme lui-même, mais les coûts d'ordonnancement, de synchronisation et d'E/S individuels. L'approche d'EvoX consiste à réorganiser la population, l'évaluation et l'état d'exécution en tenseurs calculables globalement, puis à les confier à un Runtime unifié qui les distribue sur GPU et ressources hétérogènes pour une exécution par lots, soutenant ainsi une recherche évolutionnaire à grande échelle, multi-objectifs et multi-solutions en parallèle.
Les trois objets de tensorisation
La tensorisation n'est pas une optimisation locale à un seul endroit, mais se déploie sur les trois niveaux qui traversent la boucle évolutionnaire. Si un seul de ces niveaux retombe dans une boucle objet par objet, le parallélisme y sera bloqué.
- Tensorisation de la population: les paramètres, gènes ou stratégies des individus ne sont plus parcourus un par un en objets Python, mais organisés selonla dimension de loten un tenseur, les différences entre individus étant portées par une dimension du tenseur.
- Tensorisation de l'évaluation: la fitness, les contraintes, les indicateurs multi-objectifs ainsi que les résultats d'évaluation par simulation ou par modèle peuvent être calculés par lots ; les candidats d'un même lot partagent un seul appel de dispositif, ce qui réduit significativement les coûts d'ordonnancement et d'E/S par candidat.
- Tensorisation de l'état: les états d'exécution tels que les générations d'évolution, les graines aléatoires, le cache et les indicateurs de monitoring sont gérés de manière unifiée, de sorte que les expériences accélérées en parallèle restentreproductibles et traçables.
Mise en graphe de calcul et architecture unifiée
En élevant la liste de candidats au rang degraphe de calcul tensorisé, le parallélisme des opérateurs et l'optimisation de compilation disposent enfin d'un espace d'expression : la taille de la population et le parallélisme des évaluations peuvent croître avec les ressources de calcul, sans être verrouillés par une boucle d'interpréteur. L'architecture unifiée qui l'accompagne découple l'algorithme, le problème, le flux de travail et le monitoring, ainsi que l'ordonnanceur Runtime : les algorithmes sont composables, les problèmes enfichables et les ressources hétérogènes gérées de manière unifiée, si bien que l'utilisateur n'a pas à se soucier de l'ordonnancement bas niveau lorsqu'il écrit un algorithme.
Le bénéfice le plus direct de cette base estBriser le goulot d'étranglement séquentiel: elle remplace la boucle CPU séquentielle traditionnelle par une accélération massive sur GPU et ressources hétérogènes, offrant une base de débit stable à l'exploration à haute intensité ; dans le même temps horloge, il devient possible d'explorer davantage de candidats, de combinaisons d'objectifs ou de répétitions aléatoires.
Par exemple, supposons qu'une expérience évolutionnaire doive évaluer un grand nombre de solutions candidates. L'approche traditionnelle appelle la fonction d'évaluation candidat par candidat sur CPU, où l'ordonnancement, la synchronisation et les boucles Python peuvent dominer le temps d'exécution ; EvoX envoie la matrice de candidats par lots vers le dispositif, le Runtime ordonnance les opérateurs et les évaluations, et les états comme les indicateurs de monitoring sont enregistrés de manière unifiée, permettant d'explorer davantage de candidats, de combinaisons d'objectifs ou de répétitions aléatoires dans le même temps horloge. C'est précisément le soutien technique nécessaire aux problèmes multi-objectifs du monde réel (comme la conception d'un profil d'aile supercritique, où le rapport portance/traînée en croisière et le coefficient de portance au buffet critique se contraignent mutuellement) lorsqu'il faut conserver un ensemble de solutions candidates diversifiées.
Vue d'ensemble de l'écosystème de la base de calcul moderne d'EvoXLe schéma résume la base EvoX comme le passage d'une liste de candidats à un graphe de calcul tensorisé : les trois niveaux que sont la population, l'évaluation et l'état d'exécution sont tensorisés de manière unifiée, puis ordonnancés par le Runtime sur GPU et ressources hétérogènes pour une exécution par lots. Ainsi, l'algorithme, le problème, le flux de travail et le monitoring sont découplés ; lorsque les ressources de calcul augmentent, le parallélisme n'est pas bloqué par une boucle par candidat, et davantage de candidats et de combinaisons d'objectifs peuvent être explorés dans le même temps horloge.
