Comparative analysis of 3d rtm implementation strategies for an efficient use of memory in a single gpu

Reverse-Time Migration (RTM) is a two-way wave-equation based method used to generate images of the Earth's subsurface. RTM has been successfully used in seismic imaging as it allows defining complex structural areas. However, RTM is a highly computational expensive algorithm that requires the computation of both the source and the receiver wavefields for each shot. Fortunately, numerical methods that compute the wave propagation using the wave equation are highly parallelizable, so they can take leverage on GPU features. However, the main problem of a GPU-RTM implementation is memory management. To take advantage of the GPU computing capabilities, the transfers to host RAM memory storage, or more expensive hard disk storage must be avoided. We present the analysis of three different strategies to implement RTM using only the memory available on a single GPU: (1) Stored wavefield checkpointing (2) Backpropagation of source wavefield using stored boundaries, and (3) Backpropagation of source wavefield using the two last snapshots and random boundaries, showing that the large amount of memory required in the first two strategies becomes a restriction over the model size. The last method (using random boundary conditions) is shown as a suggested solution to the memory problem of using a single GPU.La migración reversa en tiempo (RTM) es un método basado en la ecuación de onda bidireccional usado para generar imágenes del subsuelo. RTM ha sido empleado exitosamente en la exploración sísmica debido a que resuelve áreas de alta complejidad estructural. Sin embargo, RTM es un algoritmo con un alto costo computacional que requiere el cálculo del campo de la fuente y el campo de los receptores en cada disparo. Afortunadamente, los métodos numéricos que permiten la extrapolación del campo de onda son altamente paralelizables y se sacan provecho de la capacidad de cómputo de la GPU. Sin embargo, el principal problema de una implementación GPU-RTM es el manejo de memoria. Para sacar provecho de la capacidad de cómputo de la GPU, se evitaron las transferencias de memoria hacia la RAM del host u otras más costosas como las transferencias al disco duro. Se presenta el análisis de tres diferentes estrategias para implementar RTM usando únicamente la memoria disponible en una GPU: (1) Almacenar el campo en puntos de control, (2) Retropropagación del campo de la fuente almacenando las fronteras, y (3) Retropropagación del campo de la fuente usando los dos últimos snapshots y fronteras aleatorias, mostrando que la gran cantidad de memoria requerida por las dos primeras estrategias se convierte en una restricción sobre el tamaño del modelo. El último método (usando condiciones de frontera aleatoria) se presenta como la solución sugerida para el problema de memoria usando únicamente una GPU