Hochleistungsrechnen in der Physik
Moderne Physiksimulationen übersteigen die Kapazität eines einzelnen Prozessors, daher nutzt Hochleistungsrechnen Tausende von Kernen, Beschleunigern und ausgeklügelten Algorithmen, um die größten molekularen, Gitter- und astrophysikalischen Berechnungen durchzuführen.
Definition
Hochleistungsrechnen in der Physik ist der Einsatz von paralleler Hardware, Beschleunigern und skalierbaren Algorithmen, um Physiksimulationen durchzuführen, die weitaus größer oder schneller sind, als serielle Berechnungen es zulassen, während Kommunikation, Lastverteilung und numerische Skalierbarkeit verwaltet werden.
Scope
Dieser Bereich umfasst die rechnerische Infrastruktur der großskaligen Physik: parallele Programmierung mit verteiltem und gemeinsamem Speicher, GPU- und Beschleuniger-Computing sowie skalierbare Algorithmen wie schnelle N-Körper- und Partikel-Mesh-Methoden. Er betont, wie physikalische Probleme auf parallele Hardware abgebildet werden und was deren Skalierung begrenzt.
Sub-topics
Core questions
- Wie werden Physiksimulationen auf viele Prozessoren aufgeteilt?
- Was besagt Amdahls Gesetz über die Grenzen der parallelen Beschleunigung?
- Wie beschleunigen GPUs die in der Physik üblichen datenparallelen Kerne?
- Wie reduzieren skalierbare Algorithmen die Kosten von Fernwechselwirkungen?
Key theories
- Gebietszerlegung und Nachrichtenübermittlung
- Große Simulationen werden durch die Partitionierung des physikalischen Bereichs auf Prozessoren aufgeteilt, wobei Prozessoren Randdaten durch Nachrichtenübermittlung austauschen, sodass die Skalierbarkeit vom Ausgleich zwischen Berechnung und Kommunikation abhängt.
- Amdahls Gesetz und Skalierungsgrenzen
- Die erreichbare Beschleunigung durch Parallelisierung ist durch den Anteil der Arbeit begrenzt, der seriell bleibt, was fundamentale Grenzen dafür setzt, wie viele Prozessoren für ein festes Problem effektiv genutzt werden können.
- Skalierbare Algorithmen
- Schnelle Multipol-, Baum- und Partikel-Mesh-Methoden reduzieren die Kosten von Fernwechselwirkungen von quadratisch auf nahezu linear in der Partikelanzahl, wodurch große Simulationen unabhängig von der reinen Hardwaregeschwindigkeit realisierbar werden.
Clinical relevance
Hochleistungsrechnen ermöglicht die größten Molekulardynamik-, Gitter-Quantenchromodynamik-, kosmologischen N-Körper- und Klimasimulationen, und dieselben Techniken beschleunigen die Datenanalyse in der experimentellen und beobachtenden Physik.
History
Das wissenschaftliche Rechnen trieb die Entwicklung paralleler Hardware von Vektor-Supercomputern über massiv parallele Cluster bis zu den heutigen GPU-beschleunigten Maschinen voran; algorithmische Fortschritte wie die schnelle Multipolmethode, die als einer der Top-Algorithmen des zwanzigsten Jahrhunderts bezeichnet wurde, waren ebenso wichtig wie die Hardware, um große Physiksimulationen zu ermöglichen.
Key figures
- Gene Amdahl
- Peter Pacheco
- Leslie Greengard
Related topics
Seminal works
- amdahl1967
- pacheco2011
Frequently asked questions
- Warum kann das bloße Hinzufügen weiterer Prozessoren eine Simulation nicht unbegrenzt beschleunigen?
- Amdahls Gesetz zeigt, dass jeder serielle Anteil der Arbeit die Beschleunigung begrenzt, egal wie viele Prozessoren hinzugefügt werden, und der Kommunikationsaufwand wächst mit der Anzahl der Prozessoren, sodass über einen bestimmten Punkt hinaus zusätzliche Prozessoren für eine feste Problemgröße abnehmende oder negative Erträge liefern.
- Sind schnellere Algorithmen oder schnellere Hardware wichtiger?
- Beides ist wichtig, aber algorithmische Verbesserungen wie schnelle Multipol- und Partikel-Mesh-Methoden haben oft größere Gewinne erzielt als die Hardware allein, da sie die Skalierung der Kosten mit der Problemgröße ändern und nicht nur den konstanten Faktor.