Tujuan Hypre tentang proyek Scalable Linear pemecah adalah untuk mengembangkan algoritma scalable dan perangkat lunak untuk memecahkan besar, sistem linear jarang persamaan pada komputer paralel.
Produk perangkat lunak utama adalah hypre, perpustakaan preconditioners kinerja tinggi yang memiliki metode multigrid paralel untuk kedua masalah jaringan terstruktur dan tidak terstruktur.
Masalah bunga timbul dalam kode simulasi sedang dikembangkan di LLNL dan tempat lain untuk mempelajari fenomena fisik dalam pertahanan, lingkungan, energi, dan ilmu biologi.
Meskipun pemrosesan paralel diperlukan untuk solusi numerik dari masalah ini, saja tidak cukup. Algoritma numerik Scalable juga diperlukan. Dengan "terukur" kita umumnya berarti kemampuan untuk menggunakan sumber daya tambahan komputasi secara efektif untuk memecahkan masalah yang semakin besar. Banyak faktor yang berkontribusi terhadap skalabilitas, termasuk arsitektur komputer paralel dan pelaksanaan paralel algoritma. Namun, salah satu isu penting yang sering diabaikan: skalabilitas dari algoritma itu sendiri. Di sini, skalabilitas adalah deskripsi tentang bagaimana total kebutuhan pekerjaan komputasi tumbuh dengan ukuran masalah, yang dapat dibahas independen dari platform komputasi.
Banyak dari algoritma yang digunakan dalam kode simulasi saat ini didasarkan pada teknologi unscalable kemarin. Ini berarti bahwa pekerjaan yang diperlukan untuk memecahkan masalah yang semakin besar tumbuh lebih cepat daripada linear (tingkat optimal). Penggunaan algoritma scalable dapat menurunkan kali simulasi dengan beberapa kali lipat, sehingga mengurangi dua hari berjalan pada MPP sampai 30 menit. Selain itu, kode yang menggunakan teknologi ini hanya dibatasi oleh ukuran memori mesin karena mereka dapat secara efektif memanfaatkan sumber daya tambahan komputer untuk memecahkan masalah besar.
Algoritma scalable memungkinkan ilmuwan aplikasi untuk kedua berpose dan menjawab pertanyaan-pertanyaan baru. Sebagai contoh, jika simulasi diberikan (dengan resolusi tertentu) membutuhkan waktu beberapa hari untuk menjalankan, dan halus (yaitu, lebih akurat) Model akan memakan waktu lebih lama, ilmuwan aplikasi dapat melupakan besar, simulasi kesetiaan yang lebih tinggi. Dia juga mungkin terpaksa untuk mempersempit ruang lingkup studi parameter karena setiap jangka waktu terlalu lama. Dengan mengurangi waktu eksekusi, algoritma scalable memungkinkan ilmuwan untuk melakukan lebih simulasi pada resolusi yang lebih tinggi
Apa yang baru dalam rilis ini:.
- Versi ini menambahkan Divergence Auxiliary-ruang Solver (ADS), yang berlebihan kasar-grid pilihan untuk BoomerAM memecahkan, dan pilihan preconditioner Euclid ke antarmuka Fortran untuk pemecah ParCSR Krylov.
- Ini memperluas AMS dan ADS pemecah untuk mendukung (sewenang-wenang) tinggi-order H (keriting) dan H (div) metode diskritisasi.
- Ini update dan memurnikan beberapa contoh.
- Ada berbagai macam perbaikan bug.
Komentar tidak ditemukan