Hypre

Hypre mål af Scalable Linear Solvers projekt er at udvikle skalerbare algoritmer og software til at løse store, sparsomme lineære ligningssystemer på parallelle computere.
Den primære softwareprodukt er hypre, et bibliotek af højtydende preconditioners at funktioner parallelle multigrid metoder til både strukturerede og ustrukturerede gitter problemer.
Problemerne med interesse opstå i simuleringen koder under udvikling på LLNL og andre steder for at studere fysiske fænomener i forsvaret, miljø, energi og biologiske videnskaber.
Selvom parallel behandlingen er nødvendig for numerisk løsning af disse problemer alene er det ikke tilstrækkeligt. Skalerbare numeriske algoritmer er også påkrævet. Med "skalerbar" vi generelt mener evnen til at bruge ekstra beregningsmæssige ressourcer effektivt for at løse stadig større problemer. Mange faktorer bidrager til skalerbarhed, herunder arkitekturen i den parallelle computer og parallel gennemførelse af algoritmen. Dog er et vigtigt spørgsmål, der ofte overses: skalerbarheden af ​​selve algoritmen. Her, skalerbarhed er en beskrivelse af, hvordan det samlede behov beregningsmæssige arbejde vokser med problemer størrelse, der kan diskuteres uafhængigt af computing-platform.
Mange af de algoritmer, der anvendes i dagens simulering koder er baseret på gårsdagens unscalable teknologi. Det betyder, at det arbejde, der kræves for at løse stadig større problemer vokser meget hurtigere end lineært (den optimale sats). Brugen af ​​skalerbare algoritmer kan nedsætte simulation gange af flere størrelsesordener, hvilket reducerer en to-dages løb på en MPP til 30 minutter. Desuden er de koder, der anvender denne teknologi kun begrænset af størrelsen af ​​maskinens hukommelse, fordi de er i stand til effektivt at udnytte yderligere computerressourcer til at løse store problemer.
Scalable algoritmer gør det muligt for programmet videnskabsmand til både stille og besvare nye spørgsmål. For eksempel, hvis en given simulering (med særlig opløsning) tager flere dage til at køre, og en raffineret (dvs. mere præcist) model ville tage meget længere tid, ansøgningen videnskabsmand kan give afkald de større, højere fidelity simulation. Han eller hun kan også blive tvunget til at begrænse omfanget af en parameter undersøgelsen, fordi hver kørsel tager for lang tid. Ved at nedsætte gennemførelsestid, en skalerbar algoritme gør det muligt for forskeren at gøre flere simuleringer ved højere opløsninger

Hvad er nyt i denne udgivelse:.

• Denne version tilføjer en Auxiliary-space Divergence Solver (ADS), en redundant groft-grid løse mulighed for at BoomerAM og en Euclid forbehandleren option til Fortran grænseflader for ParCSR Krylov løsere.
• Det udvider AMS og ADS solvers at støtte (vilkårlig) high-order H (curl) og H (div) diskretisering metoder.
• Den opdaterer og forfiner nogle af eksemplerne.
• Der er forskellige fejlrettelser.