El objetivo de Hypre del proyecto Scalable Linear solucionadores es desarrollar algoritmos y software escalables para resolver grandes sistemas lineales dispersos, de ecuaciones en las computadoras paralelas.
El producto de software principal es hypre, una biblioteca de precondicionadores de alto rendimiento que presenta métodos multimalla paralelos para ambos problemas de rejilla estructuradas y no estructuradas.
Los problemas de interés surgen en los códigos de simulación está desarrollando en LLNL y en otros lugares para estudiar fenómenos físicos en la defensa, medio ambiente, energía y ciencias biológicas.
Aunque el procesamiento en paralelo es necesario para la solución numérica de estos problemas, por sí sola no es suficiente. También se requieren algoritmos numéricos escalables. Por "escalable" generalmente nos referimos a la capacidad de utilizar con eficacia los recursos computacionales adicionales para resolver problemas cada vez más grandes. Muchos factores contribuyen a la escalabilidad, incluyendo la arquitectura de la computadora paralela y la implementación paralela del algoritmo. Sin embargo, una cuestión importante a menudo se pasa por alto: la escalabilidad del propio algoritmo. Aquí, la escalabilidad es una descripción de cómo los requisitos totales de trabajo computacionales crecen con el tamaño del problema, que puede ser discutido independiente de la plataforma de computación.
Muchos de los algoritmos utilizados en códigos de simulación de hoy en día se basan en la tecnología unscalable de ayer. Esto significa que el trabajo requerido para resolver problemas cada vez mayores crece mucho más rápido que linealmente (la tasa óptima). El uso de algoritmos escalables puede disminuir los tiempos de simulación en varios órdenes de magnitud, reduciendo así una carrera de dos días en una MPP a 30 minutos. Por otra parte, los códigos que utilizan esta tecnología son solamente limitados por el tamaño de la memoria de la máquina, ya que son capaces de explotar eficazmente los recursos informáticos adicionales para resolver grandes problemas.
Algoritmos escalables permiten al científico aplicación tanto a plantear y responder a las nuevas preguntas. Por ejemplo, si una simulación dada (con una resolución especial) toma varios días para funcionar, y un modelo refinado (es decir, más preciso) tomaría mucho más tiempo, el científico aplicación puede renunciar a la más grande, más alta fidelidad de simulación. Él o ella también puede verse obligado a limitar el alcance de un estudio de parámetros, ya que cada carrera lleva demasiado tiempo. Al disminuir el tiempo de ejecución, un algoritmo escalable permite a los científicos hacer más simulaciones con mayor resolución
¿Qué hay de nuevo en esta versión:.
- Esta versión añade una divergencia auxiliar espacio Solver (ADS), un grueso de la red redundante opción de BoomerAM resolver, y una opción preacondicionador Euclides a las interfaces de Fortran para los solucionadores ParCSR Krylov.
- Se extiende los solucionadores de AMS y ADS para apoyar (arbitraria) de orden H (rizo) y H (div) métodos de discretización.
- Se actualiza y perfecciona algunos de los ejemplos.
- Hay correcciones surtidos.
Comentarios que no se encuentran