Hypre

Celem Hypre w projektu Scalable Linear rozwiązują jest stworzenie skalowalnych algorytmów i oprogramowania służących do rozwiązywania złożonych, rzadki układów równań liniowych na komputerach równoległych.
Oprogramowanie podstawowym jest hypre, biblioteka wysokiej wydajności, które oferuje przygotowujące równoległych metod multigrid zarówno strukturalnych i niestrukturalnych problemów sieciowych.
Problemy pojawiają się w okolicy kody symulacji tworzone w LLNL i gdzie indziej do badania zjawisk fizycznych w obronie, środowiska, energii i nauk biologicznych.
Chociaż przetwarzania równoległego jest to konieczne do numerycznego rozwiązania tych problemów, same nie są wystarczające. Wymagane są skalowalne algorytmy numeryczne. Przez "skalowalne" na ogół oznaczają zdolność do skutecznego korzystania z dodatkowych zasobów obliczeniowych do rozwiązywania coraz większych problemów. Wiele czynników przyczynia się do skalowania, włącznie z architekturą komputera równoległego i równoległej realizacji algorytmu. Jednak jedna ważna kwestia jest często pomijany: skalowalność samego algorytmu. Tutaj jest skalowalność opis sposobu pracy całkowite wymagania obliczeniowe rośnie o wielkości problemów, które mogą być niezależne od omówionego platformę obliczeniową.
Wiele algorytmów używanych w dzisiejszych kodów symulacyjnych są oparte na unscalable wczorajszej technologii. Oznacza to, że praca wymaga rozwiązania coraz większe problemy rośnie znacznie szybciej niż liniowo (optymalne rate). Skalowalnych algorytmów stosowanie może zmniejszyć razy symulacji o kilka rzędów wielkości, redukując bieg dwudniową na MMP do 30 minut. Ponadto, kody, które korzystają z tej technologii są ograniczone jedynie wielkością pamięci urządzenia, ponieważ są one w stanie skutecznie wykorzystać dodatkowe zasoby komputera, aby rozwiązać poważne problemy.
Algorytmy skalowalnych aplikacji umożliwi naukowca stanowią zarówno nowe pytania i odpowiedzi. Na przykład, jeśli dana symulacji (ze szczególnym rozdzielczości) trwa kilka dni, aby uruchomić i wyrafinowany wzór (czyli bardziej dokładne) będzie trwał znacznie dłużej, może zrezygnować z aplikacji naukowiec większy, wyższy symulację wierności. On lub ona może być również zmuszony do zawęzić zakres badań parametrów, ponieważ każdy bieg trwa zbyt długo. Przez zmniejszenie czasu realizacji, skalowalny algorytm pozwala naukowiec zrobić więcej symulacje przy wyższych rozdzielczościach

Co nowego w tym wydaniu:.

• Ta wersja dodaje Rozbieżność w przestrzeni pomocniczy Solver (ADS), redundantne gruba siatka rozwiązać opcję BoomerAM, a opcja prekondycjonerze Euclid do Fortran interfejsów dla rozwiązują ParCSR Kryłowa.
• Rozszerza rozwiązują AMS i reklam do wsparcia (dowolna) high-order H (curl) i H (div) metody dyskretyzacji.
• aktualizuje i poprawia niektóre z przykładów.
• Istnieją różne poprawki.