Hypre

hypre Ziel des Scalable Linear Solvers Projektes ist es, skalierbare Algorithmen und Software zur Lösung großer, dünn besetzter linearer Gleichungssysteme auf Parallelrechnern zu entwickeln.
Der primäre Software-Produkt ist hypre, eine Bibliothek von Hochleistungs-Vorkonditionierer, die parallel Mehrgitterverfahren für strukturierte und unstrukturierte Netzproblemen bietet.
Die Probleme von Interesse entstehen in den Simulationscodes ist bei LLNL und anderswo entwickelt, um physikalische Phänomene in der Verteidigung, Umwelt, Energie und biologischen Wissenschaften zu studieren.
Obwohl eine parallele Verarbeitung für die numerische Lösung dieser Probleme notwendig ist, ist es allein nicht ausreichend. Skalierbare numerischen Algorithmen sind ebenfalls erforderlich. Mit "skalierbar" meinen wir in der Regel die Möglichkeit, zusätzliche Rechenressourcen effektiv nutzen, um immer größere Probleme zu lösen. Zahlreiche Faktoren tragen zu der Skalierbarkeit, einschließlich der Architektur des Parallelrechners und der parallelen Implementierung des Algorithmus. Allerdings ist ein wichtiges Thema, oft übersehen: die Skalierbarkeit der Algorithmus selbst. Hier ist die Skalierbarkeit eine Beschreibung, wie die Gesamtrechenarbeit Anforderungen wachsen mit Problemgröße, die unabhängig von der Rechnerplattform diskutiert werden können.
Viele der in der heutigen Simulationscodes verwendet Algorithmen basieren auf unscalable Technologie gestrigen basiert. Dies bedeutet, daß die zur zunehmend größere Probleme Arbeit wächst viel schneller als linear (die optimale Rate). Der Einsatz von skalierbaren Algorithmen können Simulationszeiten durch mehrere Größenordnungen zu verringern, wodurch eine zweitägige Lauf Reduzierung auf einem MPP bis 30 Minuten. Darüber hinaus werden die Codes, die diese Technologie verwenden, nur durch die Größe der Speicher der Maschine begrenzt, weil sie in der Lage, zusätzliche Computerressourcen effektiv nutzen, um große Probleme zu lösen sind.
Skalierbare Algorithmen ermöglichen die Anwendung Wissenschaftler sowohl stellen und beantworten neue Fragen auf. Zum Beispiel, wenn eine gegebene Simulation (mit einer bestimmten Auflösung) dauert mehrere Tage zu laufen, und eine raffiniert (dh genauer) Modell würde viel länger dauern, die Anwendung Wissenschaftler kann die größere, höhere Genauigkeit Simulation zu verzichten. Er oder sie kann auch gezwungen werden, den Umfang einer Parameterstudie einzugrenzen, da jeder Durchlauf dauert zu lange. Durch die Verringerung der Ausführungszeit, ermöglicht eine skalierbare Algorithmus der Wissenschaftler, mehr Simulationen mit einer höheren Auflösung zu tun

Was ist neu in dieser Pressemitteilung:.

• Diese Version fügt einen Auxiliary-Raum Divergence Solver (ADS), eine redundante Grobgitter Option BoomerAM zu lösen, und eine Euclid Vorkonditionierer Option auf die Fortran-Schnittstellen für den ParCSR Krylov Löser.
• Sie erweitert die AMS und ADS-Solver zu unterstützen (willkürliche) höherer Ordnung H (curl) und H (div) Diskretisierungsmethoden.
• Es aktualisiert und verfeinert einige der Beispiele.
• Es gibt verschiedene Bugfixes.