Hypre tavoitetta Scalable Linear Solvers hankkeen tavoitteena on kehittää skaalattava algoritmeja ja ohjelmistoja ratkaista suuria, harva lineaariset yhtälöryhmät rinnakkaisvalmisteiden tietokoneissa.
Ensisijainen ohjelmistotuote on hypre, kirjasto korkean suorituskyvyn preconditioners että ominaisuudet rinnakkaisia multigrid menetelmiä sekä erimuotoisia grid ongelmia.
Ongelmat kiinnostavat syntyy simulointikoodien kehitetään LLNL ja muualla opiskella fysikaalisten ilmiöiden puolustukseen, ympäristö-, energia-, ja biologiset tieteet.
Vaikka rinnakkainen käsittely on tarpeen numeerinen ratkaisu näihin ongelmiin, yksin se ei riitä. Skaalautuvia numeeriset algoritmit ovat myös tarpeen. By "skaalautuva" me yleensä tarkoitetaan kykyä käyttää muita laskennallisia resursseja tehokkaasti ratkaisemaan yhä suurempia ongelmia. Monet tekijät edistävät skaalautuvuutta, mukaan lukien arkkitehtuuri rinnakkain tietokoneen ja samanaikaisesti toteutettava algoritmin. Kuitenkin yksi tärkeä kysymys on usein unohdetaan: skaalautuvuus itse algoritmiin. Täällä, skaalautuvuus on kuvaus siitä, miten koko laskennalliset työn vaatimuksiin kasvaa ongelma koko, joka voidaan keskustella riippumaton Computing Platform.
Monet algoritmeja käytetään nykypäivän simulointikoodien perustuvat eilisen unscalable tekniikkaa. Tämä tarkoittaa, että tarvittavat työt ratkaista yhä suurempia ongelmia kasvaa paljon nopeammin kuin lineaarisesti (optimaalinen nopeus). Käyttö skaalautuvia algoritmeja voidaan vähentää simulointi kertaa useita kertaluokkia, mikä vähentää kaksipäiväinen run MPP 30 minuuttia. Lisäksi koodit, jotka käyttävät tätä tekniikkaa rajoittaa vain koko koneen muistiin, koska ne pystyvät tehokkaasti hyödyntämään ylimääräisiä tietokoneen resursseja ratkaista suuria ongelmia.
Skaalautuvia algoritmeja mahdollistavat sovelluksen tiedemies aiheuttavat molemmat ja vastata uusiin kysymyksiin. Jos esimerkiksi tietty simulaatio (tiettyyn päätöslauselman) kestää useita päiviä juosta, ja hienostunut (eli tarkempi) mallin kestäisi paljon kauemmin, sovellus tiedemies voi luopua suuremman, paremman äänenlaadun simulointi. Hän voi myös joutua kaventaa soveltamisalaa parametrin tutkimuksen, koska jokaisen ajon kestää liian kauan. Vähentämällä suoritusaika, skaalautuva algoritmi mahdollistaa tiedemies tehdä enemmän simulaatioita suurilla tarkkuuksilla.
Mikä on uusi tässä julkaisussa:
- Tämä versio lisää Ylimääräiset-space Ero ratkaisija (ADS), tarpeeton karkea-grid ratkaise vaihtoehto BoomerAM, ja Euclid esisovittimen vaihtoehto Fortran rajapinnat ParCSR Krylov solvers.
- Se ulottuu AMS ja ADS ratkaisussa tukea (mielivaltaisen) korkeamman asteen H (curl) ja H (div) diskretointi menetelmiä.
- Se päivittää ja yksityiskohtaisesti joitakin esimerkkejä.
- On valikoituja bugikorjauksia.
Kommentteja ei löytynyt