Hypre

L'obiettivo di Hypre del progetto Scalable Linear Solvers è quello di sviluppare algoritmi scalabili e software per risolvere i grandi, sparse sistemi di equazioni lineari sui computer paralleli.
Il prodotto software principale è hypre, una libreria di precondizionatori ad alte prestazioni che offre metodi multigrid parallele per entrambi i problemi di rete strutturati e non strutturati.
I problemi di interesse sorgono nei codici di simulazione in fase di sviluppo presso LLNL e altrove per studiare i fenomeni fisici in difesa, ambientale, energetica, e le scienze biologiche.
Sebbene l'elaborazione parallela è necessario per la risoluzione di questi problemi, da sola non è sufficiente. Sono inoltre tenuti algoritmi numerici scalabili. Per "scalabile" si intende generalmente la capacità di utilizzare ulteriori risorse computazionali efficace per risolvere i problemi sempre più grandi. Molti fattori contribuiscono alla scalabilità, compresa l'architettura del computer parallelo e la parallela attuazione dell'algoritmo. Tuttavia, una questione importante è spesso trascurato: la scalabilità dell'algoritmo stesso. Qui, la scalabilità è una descrizione di come il totale dei requisiti di lavoro di calcolo cresce con la dimensione problema, che può essere discusso indipendentemente dalla piattaforma di calcolo.
Molti degli algoritmi utilizzati in codici di simulazione di oggi si basano sulla tecnologia unscalable di ieri. Ciò significa che il lavoro richiesto per risolvere problemi sempre più grandi cresce molto più velocemente linearmente (il tasso ottimale). L'uso di algoritmi scalabili può ridurre i tempi di simulazione di diversi ordini di grandezza, riducendo così una corsa di due giorni su un MPP a 30 minuti. Inoltre, i codici che utilizzano questa tecnologia sono limitate solo dalle dimensioni della memoria della macchina perché sono in grado di sfruttare in modo efficace le risorse informatiche aggiuntive per risolvere i problemi enormi.
Algoritmi scalabili permettono lo scienziato applicazione sia porre e rispondere a nuove domande. Ad esempio, se un determinato simulazione (con una particolare risoluzione) richiede diversi giorni per l'esecuzione, e un raffinato (vale a dire, più accurato) modello dovrebbe richiedere molto più tempo, lo scienziato applicazione può rinunciare al più grande, simulazione maggiore fedeltà. Lui o lei può anche essere costretto a limitare l'ambito di uno studio di parametri perché ogni esecuzione richiede troppo tempo. Diminuendo il tempo di esecuzione, un algoritmo scalabile permette lo scienziato di fare di più simulazioni a risoluzioni più elevate

Cosa c'è di nuovo in questa versione:.

• Questa versione aggiunge un Divergence ausiliario-spazio Risolutore (ADS), un ridondante grossa griglia opzione BoomerAM risolvere, e un'opzione precondizionatore Euclide alle interfacce Fortran per i solutori ParCSR Krylov.
• Si estende solutori AMS e ADS per supportare (arbitrario) di ordine superiore H (ricciolo) e H (div) metodi di discretizzazione.
• Si aggiorna e affina alcuni esempi.
• Non ci sono correzioni di bug assortiti.