kernbench2/docs/adr-ko/ADR-0027-par-megatron-tp.md

ADR-0027: Megatron-style Tensor Parallelism API

Status

Accepted

Context

목표

SIP 간 tensor parallelism(TP)을 Megatron-LM 스타일의 명시적 parallel layer API로 지원한다. DTensor 같은 선언적 추상화는 별도 ADR(0028) future work.

Megatron-style을 선택한 이유:

• TP는 model의 특정 layer 경계에서 발생. 명시적 primitive가 mental model에 자연스러움.
• NVIDIA Megatron / DeepSpeed가 확립한 인더스트리 표준.
• DTensor는 선언적이라 디자인 공간이 더 크다 → 단계적.

TP primitive 스펙 (Megatron-LM 참조)

• ColumnParallelLinear: weight의 column(out_features) 축을 TP ranks에 분산. 입력 full-replicated, 출력 column-sharded. 후속 RowParallelLinear가 올 때 forward all-reduce 없음.
• RowParallelLinear: weight의 row(in_features) 축을 TP ranks에 분산. 입력이 이미 column-sharded (ColumnParallel의 출력). forward 끝에 all-reduce 필요.
• VocabParallelEmbedding: embedding을 vocab 축에 분산. forward 끝에 all-reduce. (초기 scope에서는 stub, 실제 구현은 all-gather kernel 선행 필요.)
• copy_to_tp_region, reduce_from_tp_region, scatter_to_tp_region, gather_from_tp_region — 기본 primitive.

풀어야 할 문제

1. Worker-wait 일반화 (D0): dist.all_reduce의 defer/yield/drain 패턴을 모든 ctx.wait 경로로 확장. 이 ADR의 가장 큰 아키텍처 결정.

2. 런처 API 정규화 (D1): 현 bench들이 hand-rolled greenlet loop을 사용. torch.multiprocessing.spawn(fn, args, nprocs)로 흡수해 real-PyTorch API 면 유지 + D0의 scheduler drain을 단일 구현 위치에 집중.

3. Per-rank weight 분산 표현: 각 worker가 weight tensor의 자기 slice를 소유. ADR-0024의 set_device(rank) + ADR-0026의 intra-device DPPolicy로 자연스럽게 표현.

4. Forward-only scope: 현재 KernBench는 backward가 없음 (simulation 목적). 본 ADR은 forward만 우선 지원. Training simulation은 별도 ADR.

5. Collective 호출 지점: RowParallelLinear가 forward 끝에 all_reduce 호출. ADR-0024의 multi-greenlet 구조 + D0 generalization에서 자연스럽게 동작.

6. TP group 개념: Megatron은 DP × TP × PP group을 교차 사용. 초기 scope는 TP group = 전체 SIP 단순화. Mixed DP+TP는 future.

---

Decision

D0. Worker-wait 일반화 — ctx.wait가 worker 컨텍스트면 main으로 defer

문제 재확인. kernel_runner.run은 spawn 시점의 greenlet.getcurrent()를 kernel greenlet의 _parent로 캡처한다 (kernel_runner.py:94). main 컨텍스트에서 env.run이 돌면 parent=main이라 safe. worker 컨텍스트에서 env.run이 돌면 parent=worker가 되고, worker가 yield/finish하는 순간 kernel greenlet은 orphan → GreenletExit → ADR-0024 Phase B의 ring_default_ws 실패.

해결. worker greenlet이 ctx.wait(h)를 호출하면 직접 env.run을 driving 하는 대신 main scheduler로 yield. main이 env.run을 drive해 handle이 완료 되면 worker로 control return.

D0.1 RuntimeContext 확장

# context.py
@dataclass
class RuntimeContext:
    ...
    _pending_worker_waits: list[RequestHandle] = field(default_factory=list, init=False)

D0.2 ctx.wait의 worker fork

def wait(self, handle, *, _meta=None):
    # Fast-path: already completed — skip enqueue + switch (consistent with
    # D0.4-(3) idempotency). Avoids needless worker→main→worker round-trip
    # and prevents redundant _pending_worker_waits growth.
    if handle in self._completed:
        completion, _trace = self.engine.get_completion(handle)
        return completion

    from greenlet import getcurrent
    g = getcurrent()
    if g.parent is not None and not g.parent.dead:
        # Worker greenlet: defer to main. Push handle, yield to parent.
        # Parent (scheduler loop) drains env.run, then switches back.
        self._pending_worker_waits.append(handle)
        g.parent.switch()
        # On resume: handle must have completed (main drained the list).
        # Fall through to the status-quo completion/trace assembly.

    # Main context (or single-driver): drive engine directly.
    wait_fn = getattr(self.engine, "wait", None)
    if wait_fn is not None:
        wait_fn(handle)
    completion, trace = self.engine.get_completion(handle)
    self._completed.add(handle)
    if _meta is not None and trace is not None:
        entry = dict(trace) if isinstance(trace, dict) else {"raw": trace}
        entry.update(_meta)
        self._traces.append(entry)
    return completion

D0.3 ctx.wait의 worker-context 세만틱 contract (normative)

본 ADR은 ctx.wait의 세만틱을 worker 컨텍스트에서 명시적으로 변경한다.

• Submit-vs-complete 분리: ctx.wait(h)는 worker에서 호출될 때 "즉시 완료 보장"이 아니라 "다음 scheduler drain 이후 완료 보장"이다. worker가 wait()에서 return하는 시점 = main이 해당 handle에 대해 engine.wait을 마친 시점. Main context 호출은 기존대로 즉시-동기 (status quo).
• Resume invariant (normative): worker-deferred ctx.wait(h)에서 g.parent.switch()가 return해 worker가 resume되는 시점에는 반드시 h in ctx._completed가 True여야 한다. 이 invariant가 깨지면 worker가 stale 상태에서 이후 단계를 진행하므로 _drain_pending / scheduler loop / ctx.wait 어느 부분을 수정하든 이 불변식을 지켜야 한다. T3.b가 이 invariant를 직접 assert한다.
• 관찰 가능 변화: worker 안에서 h = ctx.submit(msg); ctx.wait(h); read(handle_result) 패턴은 여전히 성립 — 단 wait()와 read 사이에는 자동으로 main-drain이 삽입되었다는 사실을 세만틱 명세로 포함한다.
• Host 객체 직접 read는 D0.5 참조: ctx.wait 없이 tensor.numpy()를 부르는 경우의 계약은 D0.5에서 별도로 규정.

D0.4 Main scheduler drain — 규약 (normative)

(D1의 multiprocessing.spawn 내부 구현. 아래는 세만틱 정의.)

while alive:
    for g in alive:              # (1) round-based worker switch
        g.switch()
    _drain_pending(ctx)           # (2) drain in main context

(_drain_pending의 실제 정의는 D0.5 참조 — outer while-loop으로 두 큐가 모두 빌 때까지 drain.)

규약:

1. Round-based cooperative scheduling & yield 의무 (worker contract). g.switch()는 해당 worker가 자발적으로 yield할 때까지 return하지 않는다 (cooperative greenlet 세만틱). 따라서:

   • Worker가 yield 없이 while True: do_compute() 같은 pure-compute loop를 돌면 g.switch()는 영원히 return하지 않고 scheduler loop 자체가 hard block된다 (다른 worker는 switch 기회를 못 얻음, drain도 안 일어남). 이는 starvation이 아니라 **scheduler non-progress (deadlock 등가)**이며 본 ADR이 unsupported로 규정한다.
   • Worker는 반드시 ctx.wait(h), dist.all_reduce, host-read barrier (D0.5) 중 하나를 유한 step 내에 호출해야 한다. TP layer의 forward는 매 layer 끝에서 launch→wait 쌍을 포함하므로 자연스럽게 이 조건을 만족. CCL kernel도 dist.all_reduce 내부에서 yield한다.
   • 구현이 이를 감지할 필요는 없다 (타임아웃/steps-since-yield 카운터 등). 이는 user contract이며 위반 시 증상은 "simulation hang"이다.
   • Future extension: non-collective 긴 계산 경로가 자주 나오면 명시적 torch.distributed.cooperative_yield() primitive (no-op yield)를 도입할 수 있다. 현 ADR 범위 밖. Breaking change 아님 — 필요 시 추가하면 됨.
   • Round 내에서는 alive worker 전체가 한 번씩 switch를 받는다. 단일 round 안에서 한 worker가 여러 번 wait를 호출해도 그 turn 안에서 순차적으로 enqueue된 뒤 scheduler drain 한 번에 일괄 처리 (FIFO).

2. Drain 순서 = submission 순서 (FIFO). _pending_worker_waits는 list append/pop(0)로 엄격한 FIFO. 완료 순서가 아니라 submission 순서로 drain되며, SimPy scheduler 자체가 인과적으로 올바른 완료 순서를 보장하므로 submission 순서 drain이 안전하다. completion order와 drain order는 혼동하지 말 것.

   Two-queue ordering (worker waits → collectives): _drain_pending은 worker wait 큐를 먼저, collective 큐를 나중에 drain한다. 이 순서의 근거:

   • 두 큐는 서로 다른 dependency source: worker wait은 worker가 직접 submit + wait 쌍으로 만들어낸 handle (tensor deploy, MmuMap 등). collective 큐는 dist.all_reduce가 내부적으로 enqueue한 kernel launch handle이며 worker는 이걸 직접 wait하지 않는다 (D0.5의 두 큐 drain 모델 참조).
   • Correctness 관점 독립: collective는 worker 관점에선 "이미 submit된 후 yield한" 상태. 그 완료 타이밍은 worker의 다음 action 시점 이전이기만 하면 됨. worker wait 큐와의 순서 dependency 없음.
   • 단일 drain barrier 안에서 둘 다 완료: D0.5의 loop-until-empty 규약에 따라 한 barrier invocation에서 worker → collective → (새로 생긴 것이 있으면 반복) 순으로 모두 빠짐. worker가 resume될 땐 양쪽 모두 drained.
   • 대안 (collective 먼저)도 가능: 본 ADR은 현 구현 단순성을 위해 worker 먼저를 고정했을 뿐 의미상 동치. 성능 프로파일 차이가 관찰되면 재조정.

3. 중복 enqueue — correctness는 idempotent drain, dedup은 non-guaranteed. ctx.wait(h)는 h in ctx._completed면 즉시 return. _drain_pending도 동일 guard. 같은 handle이 _pending_worker_waits에 여러 번 appended 되더라도 실제 engine.wait는 한 번만 호출된다 (idempotent).

   • Correctness: idempotent drain에 의존 → safe.
   • Memory/성능: 본 ADR은 _pending_worker_waits의 dedup을 보장하지 않는다. 같은 handle이 N번 enqueue되면 큐에 N개 element가 보관되고 drain 시 N번 pop + in-set guard가 돈다. 단일 worker가 같은 handle을 반복 wait하는 비정상 패턴이 아니면 N은 1~수 수준.
   • Implementation freedom: 구현은 선택적으로 dedup (예: set을 side index로 두거나 append 전 h not in pending_set 검사) 가능. correctness 를 바꾸지 않는 최적화로 분류.

4. Exception propagation + sibling cleanup. worker greenlet이 raise하면 g.switch()가 main으로 예외를 전달한다. scheduler loop은 즉시 중단되고 다음 cleanup을 명시적으로 수행:

   try:
       while True:
           alive = [g for g in gs if not g.dead]
           if not alive:
               break
           for g in alive:
               if not g.dead:
                   g.switch()
           _drain_pending(ctx)
   except Exception as outer:
       # (a) 살아남은 sibling worker greenlet 강제 종료.
       for other in gs:
           if not other.dead:
               try:
                   other.throw(SystemExit)
               except Exception:
                   pass          # 사일런트 — 이미 예외 상황
       # (b) Backend barrier / pending 상태 초기화 (장래 epoch barrier 도입 대비).
       backend = getattr(ctx.distributed, "_backend", None)
       if backend is not None and hasattr(backend, "_barrier"):
           backend._barrier.reset()
       backend_pending = getattr(backend, "_pending_collective_handles", None)
       if backend_pending is not None:
           backend_pending.clear()
       ctx._pending_worker_waits.clear()
       # (c) 원인 예외는 SpawnException으로 래핑.
       raise SpawnException(errors) from outer
   

   규약:

   • Sibling abort 보장: worker 하나가 raise하면 모든 sibling greenlet에 SystemExit을 throw — greenlet은 즉시 terminate된다. greenlet leak 없음.
   • Pending queue 명시적 clear: worker-wait + collective-pending 두 큐를 비움. 재사용 시 오염 방지.
   • SpawnException(errors) 래핑: errors: dict[int, Exception]에 각 rank의 원래 예외를 담는다. real-PyTorch torch.multiprocessing.spawn의 failure 패턴과 호환.
     • Scope 제한: errors에는 자기 코드로 raise한 rank (root cause)만 포함된다. Sibling cleanup 과정에서 throw(SystemExit)으로 종료된 rank는 errors에 나타나지 않는다 (SystemExit은 D1.2의 entry 래퍼 try/except Exception에 걸리지 않음 — 의도된 설계: sibling 종료는 실패가 아니라 cleanup signal). 독자가 "모든 failed rank가 다 들어올 것"으로 기대하지 않도록 명시.
   • ctx._traces는 예외 이전 시점까지의 partial 상태. trace completeness 는 보장되지 않음 (일부 launch/all_reduce가 entry를 남기지 못한 채 종료 가능).
   • Allocator / MemoryStore는 예외 이전 상태 유지 — 재사용은 non-goal, 새 RuntimeContext 생성 권장.
   • join=False / retry / partial recovery는 본 ADR의 non-goal.

   SpawnException은 runtime_api/multiprocessing.py에 정의:

   class SpawnException(RuntimeError):
       def __init__(self, errors: dict[int, Exception]):
           self.errors = errors
           first = next(iter(errors.items()), None)
           msg = (f"spawn failed on ranks {sorted(errors.keys())}"
                  + (f": rank {first[0]} raised {first[1]!r}" if first else ""))
           super().__init__(msg)
   

5. Single-driver 호환. g.parent is None인 main-only 실행 (legacy 단일 드라이버 테스트)에서는 D0.2의 worker-fork 조건이 거짓 → 기존 즉시-동기 경로 유지. _drain_pending은 호출되지 않는다.

D0.5 Host-read barrier — 결정 (normative)

Worker 안에서 tensor.numpy(), tensor.__getitem__, tensor.data 등 host-observable read는 자동 drain barrier로 정의한다. 호출 직전:

1. ctx._pending_worker_waits와 backend._pending_collective_handles가 비어 있지 않으면 g.parent.switch()로 main에 yield → main은 _drain_pending 실행 → 완료 후 worker resume.
2. 두 큐가 모두 비어 있으면 즉시 read.

Barrier 반복 규약 (normative — re-entrance): _drain_pending은 while-loop 로 두 큐가 모두 완전히 비어질 때까지 drain한다. 단일 pass가 아님:

def _drain_pending(ctx):
    while ctx._pending_worker_waits or (
        ctx.distributed._backend
        and ctx.distributed._backend._pending_collective_handles
    ):
        while ctx._pending_worker_waits:
            h = ctx._pending_worker_waits.pop(0)
            if h not in ctx._completed:
                ctx.engine.wait(h)
        backend = ctx.distributed._backend
        if backend is not None:
            while backend._pending_collective_handles:
                h, _sip_id, meta = backend._pending_collective_handles.pop(0)
                ctx.wait(h, _meta=meta)  # main context: safe; ctx.wait가
                                          # 다시 pending에 push하지 않음

Main-context ctx.wait 비재귀 invariant (normative): _drain_pending 내부의 ctx.wait(h, _meta=meta) 호출은 main greenlet 컨텍스트에서 실행된다. D0.2의 worker-fork 조건(g.parent is not None and not g.parent.dead)이 False이므로 즉시-동기 경로로 진입 → _pending_worker_waits에 절대 enqueue하지 않는다. 이 invariant 덕분에 drain loop은 재귀/큐 재증가 없이 끝난다. 구현 시 g.parent is None을 단일 main greenlet 보장으로 유지하는 것이 중요.

왜 loop인가: ctx.wait(h, _meta=meta)는 main 컨텍스트에서 호출되므로 D0.2 경로에 따라 engine을 직접 drive한다 (추가 enqueue 없음 — 위 invariant). 따라서 이론적으로는 single pass로 충분하지만 — 규약은 loop-until-empty로 고정한다. 이유:

1. 미래 확장 안전성: 향후 drain 중 새 pending이 enqueue되는 구현 (예: collective가 sub-handle을 가진 tree-reduce)이 생길 수 있다. loop 규약이면 이때도 correctness 유지.
2. 가독성: "barrier는 pending이 빌 때까지 drain"이라는 단일 문장으로 의미가 닫힘. ctx.wait 호출이 새 enqueue를 안 한다는 non-trivial invariant 에 의존하지 않음.
3. Barrier의 세만틱은 "해당 read에 필요한 모든 dependency 완료": 현 모델 에선 모든 pending이 곧 모든 dependency이므로 둘은 동일. 사용자 mental model 은 전자.

Termination 보증: 두 체제로 분리해 서술한다.

• 현재 구현: ctx.wait는 main context에서 호출 시 engine을 직접 drive (D0.2) → 새 pending을 enqueue하지 않는다. 한 iteration마다 pending의 크기가 pop(0) + engine.wait로 엄격히 감소. iteration 수는 초기 pending 크기 자체가 상한 → 유한 종료.
• Future extension (loop 규약을 정당화하는 상한): 향후 drain 중 새 pending이 enqueue되는 구현 (예: tree-reduce sub-handle)이 도입되면 초기 크기 상한은 깨진다. 그러나 SimPy causality는 handle의 dependency가 유한 DAG임을 보장하므로 nested depth가 finite. loop 규약이 이 경우까지 자동 수용한다.

두 체제 모두 무한 루프가 불가능함을 보장. 현 구현의 단일-pass 상한은 공격적 최적화 시 참고 값일 뿐 규약은 loop-until-empty로 고정.

왜 implicit drain at read가 맞는가:

• 기존 open question에서 (a) implicit drain, (b) explicit barrier 둘 중 선택 문제였다. (b)는 명확하지만 TP layer 사용자가 out = fc1.forward(x); ctx.drain(); result = out.numpy() 3-step을 매번 써야 하는 부담. (a)는 "읽을 때 반영된 값을 보장"하는 단일 규약으로 CUDA의 cudaDeviceSynchronize before host copy 패턴과 동일 — 숨은 규칙이 아닌 명명된 entry-point의 contract이다.
• 본 ADR은 (a)를 채택하되 그 entry-point 목록을 명시적으로 닫는다: Tensor.numpy(), Tensor.data (numpy alias), Tensor.__getitem__, Tensor.__repr__ (data가 포함되는 경우), 그 외 공식 host-read API는 본 ADR 구현 시점에 코드베이스 검색으로 확정. 추가되는 host-read API는 반드시 이 contract를 따라야 한다 (테스트로 회귀 방지).
• ctx.submit만 하고 wait 없이 numpy를 직접 호출하는 경우도 drain barrier가 동작 (pending queue에 handle이 있기 때문). 사용자가 explicit wait을 생략해도 read 시점에 invariant가 복원된다.

Tensor.copy_(source) — write barrier 규정:

copy_는 semantically "target에 write"이지만 내부적으로 source.numpy()를 호출하여 host에서 source 데이터를 가져온 뒤 target._memory_store.write(...) 로 각 shard에 쓴다. 두 방향 모두 barrier 처리:

1. Source-side (read barrier): source.numpy()가 D0.5 read barrier를 트리거 (source 자체가 deployed tensor이고 pending이 있을 때).
2. Target-side (write barrier — global pending 기준): copy_ 진입 시 ctx._pending_worker_waits 또는 backend._pending_collective_handles가 비어 있지 않으면 write 전에 g.parent.switch()로 drain. Per-tensor / per-shard dependency tracking이 아니라 global pending queue 기준.
   • 왜 global인가: KernBench의 handle 표현에는 "이 handle이 target의 어느 shard를 write한다"는 역추적 정보가 없다. 안전한 보수적 규약으로 "전역 pending이 있으면 drain". 이 결과로 unrelated tensor의 pending도 copy_를 막을 수 있다 — drop-in invariant 우선.
   • 명시적 tradeoff: 이 규약은 서로 독립적인 tensor 사이에도 불필요한 serialization을 도입할 수 있다. 그러나 현 single-queue execution model 하에서는 이 비용이 허용 가능 — cross-rank correctness와 "읽을 때 최신" invariant를 단순한 규칙으로 보장하는 편이 우선.
   • 실질적 영향: 단일 worker는 대부분 한 layer step 안에서 pending이 주로 자기 작업 — over-barrier로 인한 추가 context switch는 round 끝 scheduler drain 시점과 일치하는 경우가 많아 큰 문제 안 됨.
   • Future refinement: per-tensor pending tracking을 도입하면 이 규약을 좁힐 수 있으나 본 ADR scope 밖.

Non-barrier:

• tensor.shape, tensor.dtype, tensor.name 등 metadata-only 접근은 drain하지 않음. 데이터 의존성이 없음.
• tensor.pa, tensor.va 등 raw address accessor도 drain하지 않음 (주소만, 내용 아님).

공식 barrier entry-point (closed set):

API	Kind	Rationale
Tensor.numpy()	read	host-observable copy
Tensor.data	read	numpy() alias
Tensor.__getitem__	read	shard-aligned read
Tensor.__repr__ (data 포함 시)	read	debugging/log
Tensor.copy_(source)	read + write	source read + target write

이 contract를 T5/T6에서 직접 검증.

D0.6 왜 worker 함수 API는 불변인가 (informative)

• torch.zeros(...) 내부는 self.submit(msg) + self.wait(h) 쌍. wait가 D0.2/D0.3에 따라 자동으로 main-defer → 겉보기 동기적으로 보이지만 한 번 yield.
• tensor.numpy()는 D0.5에 따라 host-read barrier → pending이 있으면 drain→read, 없으면 즉시 read.
• dist.all_reduce는 기존 _defer_wait=True + _pending_collective_handles 경로를 그대로 사용. D0.4의 drain이 두 큐를 함께 처리.

D0.7 불변 조건 (invariants)

• kernel greenlet의 _parent는 항상 main: env.run이 worker 컨텍스트에서 절대 돌지 않기 때문. (T3의 핵심 assertion.)
• cross-rank 동기 지점: 모든 worker가 yield한 뒤에만 drain → 모든 rank의 kernel이 한 라운드에 함께 진행 (cross-rank IPCQ 교환의 필수 조건).
• Single-driver 호환: D0.4-(5).

D1. torch.multiprocessing.spawn(fn, args, nprocs)

Real-PyTorch API 파리티 + D0의 scheduler loop의 단일 구현 위치.

D1.0 API parity only — execution parity 아님 (normative)

torch.multiprocessing.spawn 이름은 API signature parity에 한정된다. 실제 실행 모델은 cooperative greenlet scheduler (단일 Python 프로세스, 단일 OS 스레드, D0.4의 round-robin drive)이다. 다음은 본 ADR이 제공하지 않는 속성 — real-PyTorch torch.multiprocessing.spawn이 보장하는 것 중 명시적으로 non-goal:

• 프로세스 격리 (independent OS process per rank).
• 독립 address space (각 rank가 자기 Python heap 보유).
• Failure isolation (한 rank의 hard crash가 다른 rank 영향 없음).
• OS-level scheduler fairness (rank 간 preemptive time slicing).
• mp.Queue, mp.Lock 등 inter-process primitive.

이 구현의 실제 성질:

• 모든 rank는 같은 Python 프로세스 안의 greenlet. shared global state가 그대로 보임 (의도된 simulation convenience).
• GIL 하의 단일 스레드 → parallel execution 아님. SimPy 이벤트 순서로 "논리적 동시성"만 재현.
• 한 worker에서 unhandled exception → 전체 simulation 중단 (D0.4-(4)).

호출자 의무: real-PyTorch multi-process 샘플을 KernBench로 이식할 때 프로세스 격리에 의존하는 로직 (예: os.getpid, 독립 임시 파일, 신호 처리 등)은 지워야 한다. Namespace 이름은 코드 이식성을 위해 유지 — 세만틱은 다르다.

D1.1 Public surface

# runtime_api/multiprocessing.py (new)
class _MultiprocessingNamespace:
    def __init__(self, ctx):
        self._ctx = ctx

    def spawn(self, fn, args: tuple, nprocs: int, join: bool = True) -> None:
        """Spawn `nprocs` worker greenlets, each calling fn(rank, *args).

        Mirrors torch.multiprocessing.spawn signature (minus `daemon`).
        Drives the D0 scheduler loop until all workers finish.
        """
        ...

D1.2 구현

def spawn(self, fn, args, nprocs, join=True):
    from greenlet import greenlet
    ctx = self._ctx
    dist = ctx.distributed
    gs: list[greenlet] = []
    errors: dict[int, Exception] = {}
    for rank in range(nprocs):
        def _entry(r=rank):
            try:
                fn(r, *args)
            except Exception as e:
                errors[r] = e
                raise
        g = greenlet(_entry)
        dist._bind_rank(g, rank)
        gs.append(g)

    try:
        while True:
            alive = [g for g in gs if not g.dead]
            if not alive:
                break
            for g in alive:
                if not g.dead:
                    g.switch()
            _drain_pending(ctx)       # D0.5
    except Exception as outer:
        # Sibling cleanup per D0.4-(4)
        for other in gs:
            if not other.dead:
                try:
                    other.throw(SystemExit)
                except Exception:
                    pass
        backend = getattr(dist, "_backend", None)
        if backend is not None:
            if hasattr(backend, "_barrier"):
                backend._barrier.reset()
            if getattr(backend, "_pending_collective_handles", None) is not None:
                backend._pending_collective_handles.clear()
        ctx._pending_worker_waits.clear()
        raise SpawnException(errors) from outer
    # `join=True` semantics: we already wait for all workers.

D1.3 torch namespace attach

runtime_api/context.py __post_init__에서:

self.multiprocessing = _MultiprocessingNamespace(self)

→ bench 코드에서 torch.multiprocessing.spawn(worker, args=(ws,), nprocs=ws).

D1.4 기존 bench 마이그레이션

benches/ccl_allreduce.py의 hand-rolled loop은 torch.multiprocessing.spawn 한 줄로 축소. 기존 matrix 회귀는 그대로 유지. 현재 xfail인 ring_default_ws는 D0 덕분에 PASS로 전환 예상 (worker가 kernel greenlet orphan을 발생시키지 않음).

D2. 새 패키지 kernbench.tp

src/kernbench/tp/
    __init__.py          — public API re-exports
    parallel_state.py    — TP group 관리 (현재 single global group)
    layers.py            — ColumnParallelLinear, RowParallelLinear, VocabParallelEmbedding
    primitives.py        — copy/reduce/scatter/gather_to/from_tp_region
    kernels.py           — TP layer가 launch하는 gemm kernel (재사용 가능)
    mappings.py          — forward identity/all_reduce, backward stub

D3. parallel_state — TP group

# parallel_state.py
_TP_WORLD_SIZE = None

def initialize_model_parallel(tensor_model_parallel_size: int) -> None:
    """Initialize TP group. Must be called after dist.init_process_group."""
    global _TP_WORLD_SIZE
    from kernbench.runtime_api.distributed import get_dist  # or torch.distributed
    dist = get_dist()
    total = dist.get_world_size()
    if tensor_model_parallel_size != total:
        raise NotImplementedError(
            "Only TP == world_size supported in initial scope"
        )
    _TP_WORLD_SIZE = tensor_model_parallel_size

def get_tensor_model_parallel_world_size() -> int:
    return _TP_WORLD_SIZE

def get_tensor_model_parallel_rank() -> int:
    from kernbench.runtime_api.distributed import get_dist
    return get_dist().get_rank()         # ADR-0024 greenlet-local rank

초기 scope: TP size = world_size = topology SIP count. Pure TP 모델.

D4-pre. TP shard ownership vs DPPolicy — 역할 분리 (normative)

TP layer의 weight/output 표현에서 두 개념을 명확히 분리한다:

개념	결정 주체	범위
TP shard ownership (어느 rank가 weight의 어떤 slice를 소유하는가)	greenlet-local rank + torch.ahbm.set_device(rank) (ADR-0024 D2/D3)	cross-rank, cross-SIP
Intra-rank placement (소유된 slice를 rank 내부에서 cube × PE로 어떻게 분산하는가)	DPPolicy(cube=..., pe=...) (ADR-0026)	한 rank 내부 (SIP 경계 안)

따라서 ColumnParallelLinear가 (in_features, out_features // ws) shape로 weight를 생성하고 DPPolicy(cube="column_wise", pe="column_wise")를 부여 하면:

• Rank r이 소유하는 slice = weight의 column 축 [r * k_local, (r+1) * k_local) — **set_device(r)**가 이걸 결정 (해당 rank가 SIP r에 존재).
• 그 slice 내부에서 cube × PE column-wise 분산 — DPPolicy가 이걸 결정.

두 축은 독립적이다. 같은 DPPolicy로 두 rank가 자기 slice를 만들면 slice 자체는 다른 SIP에 있지만 intra-SIP placement 패턴은 동일. 반대로 DPPolicy를 cube="replicate", pe="replicate"로 바꿔도 TP shard ownership은 유지되고 intra-rank placement만 달라짐.

이 경계가 흐려지는 실수 (본 ADR이 금지):

• DPPolicy에 "SIP 축"이 다시 등장 (ADR-0026에서 제거됨).
• TP layer가 set_device 없이 DPPolicy만으로 cross-rank sharding을 표현 → 단일 rank 안에서 세로로 자른 것과 구분 안 됨.

본 ADR의 TP layer는 항상 "rank = SIP = one slice 소유 + DPPolicy intra-SIP 분산" 관점에서만 weight/output을 다룬다.

D4. ColumnParallelLinear

중요: host-side torch.matmul 추상화를 신규 도입하지 않는다. layer의 forward는 torch.launch("gemm", gemm_kernel, ...)로 기존 gemm kernel을 호출 — KernBench bench들이 이미 쓰는 패턴 (benches/gemm_single_pe.py, benches/gpt3_qkv.py).

# layers.py
from kernbench.policy.placement.dp import DPPolicy
from kernbench.tp.kernels import _gemm_kernel
from kernbench.tp.parallel_state import (
    get_tensor_model_parallel_rank,
    get_tensor_model_parallel_world_size,
)

class ColumnParallelLinear:
    """Weight의 K(out_features) 축을 TP rank에 분산.

    forward(x):
        x: (M, N) — full-replicated across ranks
        W_k: (N, K / world_size) — rank-local slice (set_device로 SIP r에 거주)
        y_k = x @ W_k → (M, K / world_size) — rank-local output

    출력은 column-sharded. RowParallelLinear가 기대하는 입력 형태.
    """

    def __init__(self, in_features: int, out_features: int, bias: bool = False,
                 dtype: str = "f16", torch=None):
        ws = get_tensor_model_parallel_world_size()
        assert out_features % ws == 0
        self.in_features = in_features
        self.k_local = out_features // ws
        self._torch = torch
        # 각 rank가 자기 slice 소유 — set_device(rank)에 의해 SIP r에 배치.
        self.weight = torch.zeros(
            (in_features, self.k_local), dtype=dtype,
            dp=DPPolicy(cube="column_wise", pe="column_wise"),
            name="col_parallel_w",
        )
        self.bias = None
        if bias:
            self.bias = torch.zeros(
                (self.k_local,), dtype=dtype,
                dp=DPPolicy(cube="replicate", pe="replicate"),
                name="col_parallel_b",
            )

    def forward(self, x):
        # x는 full-replicated (caller 보장). 단순 local gemm.
        M = x.shape[0]
        out = self._torch.empty(
            (M, self.k_local), dtype=x.dtype,
            dp=DPPolicy(cube="column_wise", pe="column_wise"),
            name="col_parallel_out",
        )
        self._torch.launch(
            "col_parallel_gemm", _gemm_kernel,
            x, self.weight, out, M, self.in_features, self.k_local,
        )
        # bias add는 별도 kernel 혹은 composite gemm의 fused bias.
        # 초기 scope에서는 bias=False만 충분히 검증.
        return out

Yield-safety contract (normative): ColumnParallelLinear.forward는 한 번의 torch.launch 호출로 kernel launch → 내부 ctx.wait 쌍을 포함한다. 이는 D0.4-(1)의 "worker는 유한 step 내 yield" 조건을 자동으로 만족 — TP layer 사용자가 yield 패턴을 수동으로 삽입할 필요 없음.

D5. RowParallelLinear

class RowParallelLinear:
    """Weight의 N(in_features) 축을 TP rank에 분산.

    forward(x):
        x: (M, N / world_size) — rank-local slice (ColumnParallel의 출력)
        W_k: (N / world_size, K) — rank-local slice
        y_k = x @ W_k → (M, K) — partial sum on each rank
        y = all_reduce(y_k, op="sum") → (M, K) on every rank
    """

    def __init__(self, in_features: int, out_features: int, bias: bool = False,
                 dtype: str = "f16", torch=None):
        ws = get_tensor_model_parallel_world_size()
        assert in_features % ws == 0
        self.n_local = in_features // ws
        self.out_features = out_features
        self._torch = torch
        self.weight = torch.zeros(
            (self.n_local, out_features), dtype=dtype,
            dp=DPPolicy(cube="column_wise", pe="column_wise"),
            name="row_parallel_w",
        )
        # bias는 rank 0에만 (Megatron convention). 초기 scope에서는 생략.
        self.bias = None

    def forward(self, x):
        M = x.shape[0]
        y_partial = self._torch.empty(
            (M, self.out_features), dtype=x.dtype,
            dp=DPPolicy(cube="column_wise", pe="column_wise"),
            name="row_parallel_partial",
        )
        self._torch.launch(
            "row_parallel_gemm", _gemm_kernel,
            x, self.weight, y_partial, M, self.n_local, self.out_features,
        )
        # Cross-rank reduce. ADR-0024의 dist.all_reduce는 D0 + mp.spawn 하에서
        # 정상 동작 (kernel parent = main 유지).
        self._torch.distributed.all_reduce(y_partial, op="sum")
        return y_partial

Yield-safety contract (normative): RowParallelLinear.forward는 launch → 내부 wait에 이어 all_reduce (defer + worker yield 패턴)까지 포함하므로 forward 한 번당 최소 2회 yield가 보장됨. D0.4-(1)의 scheduler progress 조건 자동 만족. 모든 본 ADR의 TP layer forward는 "최소 하나의 wait 또는 collective를 포함해 yield-safe하다"를 invariant로 유지한다 — 이후 추가되는 TP primitive (VocabParallelEmbedding 등)도 동일 계약 필수.

D6. Primitive 함수

# primitives.py
def copy_to_tp_region(x):
    """Forward: identity. Backward: all-reduce. (Training 추가 시 구현)."""
    return x

def reduce_from_tp_region(x, torch):
    """Forward: all-reduce. Backward: identity."""
    torch.distributed.all_reduce(x, op="sum")
    return x

def scatter_to_tp_region(x):
    raise NotImplementedError(
        "Phase 2: 사용자가 이미 sharded tensor를 생성하는 것으로 대체"
    )

def gather_from_tp_region(x):
    raise NotImplementedError(
        "Phase 2: all-gather kernel 선행 필요 (future)"
    )

D7. 샘플 bench — 2-layer MLP with TP

# benches/tp_mlp.py (신규)
from kernbench.policy.placement.dp import DPPolicy
import kernbench.tp as tp
import numpy as np


def worker(rank: int, world_size: int, torch):
    torch.ahbm.set_device(rank)
    tp.initialize_model_parallel(world_size)

    B, D_in, D_hidden, D_out = 1, 512, 2048, 512
    fc1 = tp.ColumnParallelLinear(D_in, D_hidden, torch=torch)
    fc2 = tp.RowParallelLinear(D_hidden, D_out, torch=torch)

    x = torch.zeros(
        (B, D_in), dtype="f16",
        dp=DPPolicy(cube="replicate", pe="replicate"),
        name="x",
    )
    # init x with some pattern (e.g., constant)
    x.copy_(torch.from_numpy(np.full((B, D_in), 0.1, dtype=np.float16)))

    h = fc1.forward(x)      # column-sharded (B, D_hidden / ws)
    y = fc2.forward(h)      # all-reduced (B, D_out) on every rank

    # rank 0만 결과 출력 / 검증
    if rank == 0:
        result = y.numpy()
        # 실제 검증 값은 zero-init weight이면 전부 0 — scope에서는 "완료 자체" 검증
        print(f"  tp_mlp: shape={result.shape}, mean={float(result.mean()):.4f}")


def run(torch):
    torch.distributed.init_process_group(backend="ahbm")
    ws = torch.distributed.get_world_size()
    torch.multiprocessing.spawn(worker, args=(ws,), nprocs=ws)

D8. Non-functional — training 미지원

본 ADR은 inference/forward only. Backward / gradient / optimizer는 future. 기존 KernBench가 training이 아니므로 자연스러움.

D9. 초기 scope 제약

• TP size = world_size (mixed DP+TP 없음).
• scatter_to_tp_region, gather_from_tp_region은 unimplemented.
• Weight 기본값은 zero. 적절한 init scheme (Xavier, Kaiming 등)은 future. 단 테스트는 tensor.copy_로 결정론적 non-zero pattern을 주입해 numerical correctness를 검증 (T2/T6). 즉 "production default = zero, 검증 = 결정론적 non-zero"로 운영 분리.
• Bias 초기 scope에서 생략 (Megatron의 rank 0-only bias 정책은 future).
• Pipeline parallelism은 scope 밖.
• VocabParallelEmbedding은 all-gather 선행 필요 → stub only.

D10. 회귀: ring_default_ws xfail 해제 — 필수 acceptance

D0 (worker-wait 일반화) + D0.5 (host-read barrier) 덕분에 모든 worker-driven ctx.wait 및 host-read가 main-drain 경로로 routing됨 → ADR-0024 Phase B의 kernel-greenlet orphan 원인이 소멸. 기존 matrix test의 ring_default_ws strict-xfail 케이스를 본 ADR 구현 이후 PASS로 전환하는 것을 필수 회귀 기준으로 포함. Observable acceptance criteria는 T7에 명시 (deadlock 부재, GreenletExit 부재, numerical tolerance 등).

---

Dependencies

• ADR-0024 (launcher): rank = SIP, greenlet-local rank, torch.ahbm.set_device(rank).
• ADR-0026 (DPPolicy intra-device): weight tensor의 per-rank slice 표현.
• ADR-0023 / ADR-0025 (IPCQ): dist.all_reduce 구현의 기반.

---

Non-goals

• Backward pass / training: inference only. Training simulation은 별도 ADR.
• Mixed parallelism (DP + TP + PP): 초기엔 pure TP only.
• Weight init schemes: 단순 zero / debug pattern.
• Fused ops: Megatron의 fused matmul+bias+gelu는 kernel 레벨 문제.
• DTensor 통합: ADR-0028 future.
• Host-side torch.matmul 추상화: TP layer는 torch.launch(gemm_kernel, ...) 로 기존 gemm kernel을 호출. 신규 matmul host-op 도입 안 함.

---

Open questions

• initialize_model_parallel 위치: kernbench.tp.initialize_model_parallel (현 결정) vs real-PyTorch의 torch.distributed.init_device_mesh. TP 전용 모듈에 유지.
• Weight init: ADR은 zero. Debug pattern (e.g., identity)이 유효 검증에 필요할 수 있음 — Phase 1 test에서 필요 시 추가.
• bias 배치 정책: Megatron은 RowParallelLinear bias를 rank 0에만. 초기 scope에서는 bias=False로 회피.
• GEMM kernel 위치: kernbench.tp.kernels._gemm_kernel vs 기존 benches/gemm_single_pe.py에서 import. TP가 bench 의존을 가지면 안 되므로 tp 내부에 복제. 향후 kernbench.kernels 공용 패키지로 이관 가능.

Resolved (이전 rev에서 open이었던 것들):

• tensor.numpy() 호출 시 drain 타이밍 → D0.5에서 결정: 공식 host-read entry-point(numpy, data, __getitem__, data-포함 __repr__)는 자동 drain barrier. metadata-only accessor는 barrier 아님.

---

Consequences

Positive

• Megatron 코드 이식 용이: real training code와 API 일치.
• TP 벤치마크 가능: scaling, communication-compute overlap 등 HW 특성 연구.
• ring_default_ws xfail 해제: D0의 부산물로 ADR-0024 Phase B 블로커 해소.
• Scheduler loop 단일화: D1 (mp.spawn) 도입으로 hand-rolled loop 제거. 후속 collective/TP 벤치가 동일 패턴 재사용.
• DPPolicy 의미 명확화 (ADR-0026 시너지): TP layer가 intra-device DPPolicy 만 사용하는 모범 사례.

Negative

• 새 모듈 (kernbench.tp) 유지보수 비용.
• 초기 scope가 제한적 (pure TP only, forward only).
• D0 generalization이 ctx.wait의 세만틱을 바꿈 — 단일 드라이버 테스트와의 호환성을 명시적으로 검증 필요 (T7).

Neutral

• ADR-0024/0026 기반 위에 순수한 상위 레이어 추가. Hardware simulation stack에 영향 없음 (D0 제외).