Hypre

Hypre je cílem projektu Scalable Linear řešitelé je vyvinout škálovatelné algoritmy a software pro řešení velkých, rozptýlené lineární soustavy rovnic na paralelních počítačích.
Primární softwarový produkt je hypre, knihovna vysoce výkonných předpodmínění, která se vyznačuje paralelní metody multigrid pro strukturovaných i nestrukturovaných problémů mřížky.
Problémy zájmu vznikají v simulačních kódech vyvíjen na LLNL a jinde studovat fyzikální jevy v obraně, v oblasti životního prostředí, energie a biologických věd.
I když paralelní zpracování je nezbytné pro numerické řešení těchto problémů, a to samostatně, není dostačující. Je rovněž nutné Scalable numerické algoritmy. By "škálovatelný" jsme se obecně rozumí schopnost efektivně využívat dodatečné výpočetní zdroje k řešení stále větší problémy. Přispívá mnoho faktorů škálovatelnosti, včetně architektuře paralelní počítač a paralelní provádění algoritmu. Nicméně, jedna důležitá otázka je často přehlížena: škálovatelnost algoritmu sám. Zde, škálovatelnost je popis toho, jak celkové výpočetní pracovní náročnost roste s velikostí problému, který může být projednán nezávisle na výpočetní platformy.
Mnoho z algoritmů používaných v dnešní simulačních kódů jsou založeny na včerejší neschůdný technologií. To znamená, že práce musí řešit stále větší problémy roste mnohem rychleji než lineárně (optimální rychlost). Použití přizpůsobitelných algoritmů může snížit simulace časy o několik řádů, čímž se sníží dvoudenní běh na MPP na 30 minut. Navíc, kódy, které používají tuto technologii jsou omezeny pouze velikostí paměti zařízení, protože jsou schopni efektivně využívat dalších počítačových zdrojů řešit obrovské problémy.
Škálovatelné algoritmy umožňují aplikační vědce k oběma představovat a odpovědět na nové otázky. Například, pokud daný simulace (s konkrétním rozlišením) trvá několik dní běžet, a rafinované (tj, přesnější) model by trvat mnohem déle, aplikace vědec může vzdát větší, vyšší věrnosti simulace. On nebo ona může také být nucen zúžit rozsah studie parametru, protože každý běh trvá příliš dlouho. Snížením dobu provedení, škálovatelný algoritmus umožňuje vědce, aby se více simulací při vyšších rozlišeních

Co je nového v této verzi:.

• Tato verze přidává Pomocný-space Divergence Řešitel (ADS), redundantní hrubé-grid volbu na BoomerAM řešit, a preconditioner možnost Euclid k Fortran rozhraní pro řešitelů ParCSR Krylov.
• Rozšiřuje AMS a ADS řešitelů na podporu (libovolný) high-order H (zvlnění) a H (div) diskretizační metody.
• Je aktualizuje a zpřesňuje některé příklady.
• K dispozici jsou rozmanité opravy chyb.