Hypre

L'objectif de hypre du projet Scalable Linear solveurs est de développer des algorithmes et des logiciels évolutifs pour résoudre de grands systèmes linéaires, creux d'équations sur les ordinateurs parallèles.
Le produit logiciel principal est hypre, une bibliothèque de préconditionneurs de haute performance qui propose des méthodes multigrilles parallèles pour les problèmes de la grille structurées et non structurées.
Les problèmes d'intérêts surviennent dans les codes de simulation développés au LLNL et ailleurs pour étudier les phénomènes physiques dans la défense, l'environnement, l'énergie, et les sciences biologiques.
Bien que le traitement en parallèle est nécessaire pour la résolution numérique de ces problèmes, il est seul ne suffit pas. Algorithmes numériques évolutives sont également nécessaires. Par «évolutive», nous entendons généralement la capacité d'utiliser les ressources de calcul supplémentaires pour résoudre efficacement les problèmes de plus en plus grandes. Plusieurs facteurs contribuent à l'évolutivité, y compris l'architecture de l'ordinateur parallèle et la mise en œuvre parallèle de l'algorithme. Cependant, une question importante est souvent négligé: l'évolutivité de l'algorithme lui-même. Ici, l'évolutivité est une description de la façon dont les besoins totaux de travail informatiques croissent avec la taille du problème, qui peut être discuté indépendant de la plate-forme informatique.
Beaucoup des algorithmes utilisés dans les codes de simulation d'aujourd'hui sont basées sur la technologie unscalable d'hier. Cela signifie que le travail nécessaire pour résoudre les problèmes de plus en plus grandes croît beaucoup plus vite que linéairement (le taux optimal). L'utilisation d'algorithmes évolutifs peut diminuer les temps de simulation de plusieurs ordres de grandeur, réduisant ainsi une course de deux jours sur un député à 30 minutes. En outre, les codes qui utilisent cette technologie ne sont limités que par la taille de la mémoire de la machine, car ils sont en mesure d'exploiter efficacement les ressources informatiques supplémentaires pour résoudre des problèmes énormes.
Algorithmes évolutifs permettent le scientifique de l'application à la fois poser et répondre à de nouvelles questions. Par exemple, si une simulation donnée (avec une résolution particulière) prend plusieurs jours à courir, et un modèle raffiné (ie, plus précis) serait beaucoup plus long, le scientifique de l'application peut renoncer à la simulation haute fidélité plus grande. Il ou elle peut également être contraint de réduire la portée d'une étude de paramètre car chaque terme prend trop de temps. En diminuant le temps d'exécution, un algorithme évolutif permet au chercheur de faire plus de simulations à des résolutions supérieures

Ce qui est nouveau dans cette version:.

• Cette version ajoute une divergence auxiliaire espace Solver (ADS), un gros réseau redondant résoudre option pour BoomerAM, et une option de préconditionneur Euclid aux interfaces Fortran pour les solveurs ParCSR Krylov.
• Il étend les solveurs AMS et ADS pour soutenir (arbitraire) d'ordre élevé H (boucle) et H (div) méthodes de discrétisation.
• Il actualise et raffine des exemples.
• Il ya des corrections de bugs divers.