Hypre het doel van de Scalable Linear Solvers project is om schaalbare algoritmen en software te ontwikkelen voor het oplossen van grote ijle lineaire systemen van vergelijkingen op parallelle computers.
Het primaire softwareproduct is hypre, een bibliotheek van high performance preconditioners dat parallel multigrid methoden voor zowel gestructureerde als ongestructureerde raster problemen heeft.
De problemen van de interesse ontstaan in de simulatie codes worden ontwikkeld op LLNL en elders aan fysische verschijnselen te bestuderen in de defensie, milieu, energie en biologische wetenschappen.
Hoewel parallelle verwerking noodzakelijk is voor de numerieke oplossing van deze problemen, alleen is het niet voldoende. Scalable numerieke algoritmen zijn ook vereist. Met "schaalbare" bedoelen we meestal de mogelijkheid om extra computationele middelen effectief te gebruiken om steeds grotere problemen op te lossen. Veel factoren dragen bij aan schaalbaarheid, zoals de architectuur van de parallel computer en parallelle uitvoering van het algoritme. Echter, is een belangrijke kwestie vaak over het hoofd gezien: de schaalbaarheid van het algoritme zelf. Hier, schaalbaarheid is een beschrijving van hoe de totale computationele werk eisen te groeien met probleem grootte, die onafhankelijk van het computerplatform kan worden besproken.
Veel van de algoritmen in de huidige simulatiecodes op basis van gisteren unscalable technologie. Dit betekent dat de vereiste werkzaamheden steeds grotere problemen groeit veel sneller dan lineair (optimale snelheid). Het gebruik van schaalbare algoritmen kunnen simulatie keer afnemen door verschillende ordes van grootte, dus een tweedaagse run verminderen op een MPP tot 30 minuten. Verder worden de codes met deze techniek slechts beperkt door de omvang van het geheugen van de machine omdat zij in staat om effectief te benutten aanvullende computermiddelen tot grote problemen.
Schaalbare algoritmen staat de toepassing wetenschapper zowel stellen en beantwoorden nieuwe vragen. Indien bijvoorbeeld een bepaalde simulatie (met een bepaalde resolutie) duurt enkele dagen te lopen, en een verfijnde (dwz nauwkeuriger) model zou veel langer de toepassing wetenschapper kan de grotere, hogere betrouwbaarheid simulatie af te zien. Hij of zij kan ook worden gedwongen om de reikwijdte van een parameter studie beperken omdat elke run duurt te lang. Door het verlagen van de uitvoeringstijd, een schaalbaar algoritme kan de wetenschapper om meer simulaties doen op hogere resoluties
Wat is nieuw in deze release:.
- Deze versie voegt een Auxiliary-ruimte Divergence Solver (ADS), een redundant grof-grid te lossen optie om BoomerAM en een Euclid preconditioner optie om de Fortran interfaces voor de ParCSR Krylov solvers.
- Het breidt de AMS en ADS solvers te ondersteunen (willekeurige) high-order H (krul) en H (div) discretisatie methoden.
- Het werkt en verfijnt enkele van de voorbeelden.
- Er zijn diverse bugfixes.
Reacties niet gevonden