Hypre

Hypre mål om Scalable Linear Solvers prosjektet er å utvikle skalerbare algoritmer og programvare for å løse store, spredte lineære systemer av ligninger på parallelle datamaskiner.
Den primære programvaren er hypre, et bibliotek med høy ytelse preconditioners som har parallelle multigrid metoder for både strukturerte og ustrukturerte nettproblemer.
Problemene interessekonflikter i simulerings kodene blir utviklet på LLNL og andre steder for å studere fysiske fenomener i forsvaret, miljø, energi og biologiske fag.
Selv parallell prosessering er nødvendig for den numeriske løsningen av disse problemene, er det ikke alene tilstrekkelig. Skalerbare numeriske algoritmer er også nødvendig. Med "skalerbar" vi vanligvis mener evnen til å bruke flere beregningsressurser effektivt for å løse stadig større problemer. Mange faktorer bidrar til skalerbarhet, herunder arkitektur av parallelle datamaskiner og parallell gjennomføring av algoritmen. Imidlertid er en viktig sak som ofte blir oversett: skalerbarhet av algoritmen selv. Her er skalerbarhet en beskrivelse av hvordan de totale beregningsarbeidskrav vokse med problem størrelse, noe som kan diskuteres uavhengig av dataplattform.
Mange av algoritmer som brukes i dagens simulerings koder er basert på gårsdagens unscalable teknologi. Dette betyr at arbeidet som kreves for å løse stadig større problemer vokser mye hurtigere enn lineært (optimal rate). Bruken av skalerbare algoritmer kan redusere simulerings ganger ved flere størrelsesordener, og dermed redusere en to-dagers kjøring på et MPP til 30 minutter. Videre er kodene som bruker denne teknologien bare begrenset av størrelsen på maskinens minne fordi de er i stand til å effektivt utnytte flere datamaskinens ressurser til å løse store problemer.
Skalerbare algoritmer aktivere programmet forsker for å både stille og svare på nye spørsmål. For eksempel, dersom en gitt simulering (med en bestemt oppløsning) tar flere dager å løpe, og en raffinert (dvs., mer nøyaktig) modell ville ta mye lengre tid, anvendelsen forskeren kan gi avkall på de større, høyere fidelity simulering. Han eller hun kan også bli tvunget til å begrense omfanget av en parameter studie fordi hver kjøring tar for lang tid. Ved å redusere kjøretiden, gir en skalerbar algoritme forskeren til å gjøre flere simuleringer med høyere oppløsning

Hva er nytt i denne utgaven.

• Denne versjonen legger en Auxiliary-plass Divergence Solver (ADS), en redundant grov grid løse alternativ til BoomerAM, og en Euclid prekondisjonerer alternativ til de Fortran grensesnitt for de ParCSR Krylov løsere.
• Det utvider AMS og ADS løsere for å støtte (vilkårlig) høy orden H (curl) og H (div) diskretisering metoder.
• Den oppdaterer og foredler deler av eksemplene.
• Det er diverse feilrettinger.