Hypre

Hypre mål av Scalable Linear Solvers projektet är att utveckla skalbara algoritmer och programvara för att lösa stora glesa linjära ekvationssystem på parallelldatorer.
Den primära programvara är hypre, ett bibliotek av högpresterande preconditioners som har parallella multigridmetoder för både strukturerade och ostrukturerade nätproblem.
Problemen med intresse uppstår i simuleringskoder som utvecklas vid llnl och på andra håll för att studera fysikaliska fenomen i försvaret, miljö-, energi- och biologiska vetenskaper.
Även parallell bearbetning är nödvändigt för numerisk lösning av dessa problem, det är bara inte tillräckligt. Scalable numeriska algoritmer krävs också. Med "skalbar" menar vi i allmänhet möjligheten att använda ytterligare dataresurser på ett effektivt sätt att lösa allt större problem. Många faktorer bidrar till skalbarhet, inklusive arkitektur parallelldator och genomförs parallellt algoritmen. Det är dock en viktig fråga som ofta förbises: skalbarheten i själva algoritmen. Här är skalbarhet en beskrivning av hur den totala beräknings arbetskrav växa med problemet storlek, vilket kan diskuteras oberoende av datorplattform.
Många av de algoritmer som används i dagens simuleringskoder är baserade på gårdagens unscalable teknik. Detta innebär att det arbete som krävs för att lösa allt större problem växer mycket snabbare än linjärt (den optimala hastigheten). Användningen av skalbara algoritmer kan minska simuleringstiderna med flera storleksordningar, vilket minskar en två-dagars körning på en MPP till 30 minuter. Dessutom är de koder som använder denna teknik endast begränsas av storleken på maskinens minne eftersom de har möjlighet att effektivt utnyttja ytterligare datorresurser för att lösa stora problem.
Scalable algoritmer gör det möjligt för ansökan vetenskapsman för att både ställa och besvara nya frågor. Till exempel, om en given simulerings (med en viss upplösning) tar flera dagar att köra, och en raffinerad (dvs mer exakt) modell skulle ta mycket längre tid, ansökan forskare kan avstå större, högre trohet simulering. Han eller hon också kan tvingas att begränsa omfattningen av en parameterstudie eftersom varje körning tar för lång tid. Genom att minska exekveringstiden, gör en skalbar algoritm forskaren att göra fler simuleringar med högre upplösning

Vad är nytt i den här versionen.

• Den här versionen lägger till en extrautrymme Avvikelse Solver (ADS), en redundant grov-grid lösa alternativet BoomerAM, och Euklides förbehandlare alternativ till Fortran gränssnitt för ParCSR Krylov lösare.
• Det utvidgar AMS och ADS lösare för att stödja (godtycklig) högre ordning H (curl) och H (div) diskretisering metoder.
• Den uppdaterar och förfinar några av exemplen.
• Det finns diverse buggfixar.