هدف Hypre از پروژه مقیاس پذیر خطی حل کننده است به منظور توسعه الگوریتم های مقیاس پذیر و نرم افزار برای حل، سیستم های خطی پراکنده زیادی از معادلات در کامپیوتر های موازی.
محصول اولیه نرم افزار hypre، یک کتابخانه از preconditioners با کارایی بالا است که ویژگی های روش multigrid موازی برای هر دو مشکلات شبکه های ساخت یافته و بدون ساختار است.
مشکلات علاقه به کدهای شبیه سازی بوجود می آیند که در LLNL و جاهای دیگر توسعه یافته به مطالعه پدیده های فیزیکی در دفاع، محیط زیست، انرژی، و علوم زیستی.
اگر چه پردازش موازی لازم برای حل عددی از این مشکلات است، به تنهایی کافی نیست. الگوریتم های عددی مقیاس پذیر نیز مورد نیاز است. توسط "مقیاس پذیر" ما به طور کلی عبارت است از توانایی استفاده از منابع محاسباتی اضافی به طور موثر برای حل مشکلات به طور فزاینده بزرگتر. عوامل بسیاری در مقیاس پذیری کمک، از جمله معماری کامپیوتر موازی و پیاده سازی موازی الگوریتم. با این حال، یک موضوع مهم است که اغلب نادیده: مقیاس پذیری الگوریتم خود را. در اینجا، مقیاس پذیری تشریح اینکه چگونه کل مورد نیاز کار محاسباتی با اندازه مشکل، که می تواند مستقل از پلت فرم محاسبات مورد بحث رشد است.
بسیاری از الگوریتم های مورد استفاده در شبیه سازی کدهای امروزی بر فن آوری unscalable روز گذشته است. این به این معنی است که کار مورد نیاز برای حل مشکلات به طور فزاینده بزرگتر رشد می کند بسیار سریع تر از خطی (نرخ مطلوب). استفاده از الگوریتم های مقیاس پذیر می تواند بار شبیه سازی توسط چندین مرتبه را کاهش دهد، در نتیجه کاهش دو روزه اجرا در MPP تا 30 دقیقه. علاوه بر این، کد که با استفاده از این تکنولوژی تنها توسط اندازه حافظه دستگاه محدود زیرا آنها قادر به طور موثر بهره برداری از منابع کامپیوتر های اضافی برای حل مشکلات بزرگ.
الگوریتم مقیاس پذیر را قادر می سازد دانشمند برنامه برای هر دو مطرح و سوالات جدید پاسخ دهد. برای مثال، اگر یک شبیه سازی داده شده (با وضوح خاص) چند روز طول می کشد تا اجرا شود، و یک مدل تصفیه شده (به عنوان مثال، دقیق تر) خواهد کمی بیشتر طول بکشد، دانشمند برنامه ممکن است بزرگتر، شبیه سازی راحت و کاربر پسند بالاتر چشم پوشی. او همچنین ممکن است مجبور به محدود کردن دامنه یک مطالعه پارامتر به دلیل هر یک از اجرا طول می کشد بیش از حد طولانی. با کاهش زمان اجرای یک الگوریتم مقیاس پذیر اجازه می دهد تا دانشمند به انجام شبیه سازی بیشتر در قطعنامه های بالاتر
به چه چیزی جدید در این نسخه است:
این نسخه اضافه می کند واگرایی کمکی فضای حل کننده (ADS)، درشت شبکه کار برکنار شده حل گزینه ای را برای BoomerAM و گزینه preconditioner اقلیدس به رابط فرترن برای حل ParCSR Krylov.
این گسترش به AMS و ADS حل برای حمایت از (دلخواه) مرتبه بالا H (حلقه) و H (DIV) روش گسسته.
این به روز رسانی و پالایش برخی از نمونه های.
رفع اشکالات هستند همه فن حریف وجود دارد.
نظر یافت نشد