Высокопроизводительные вычисления в физике
Современные физические симуляции превосходят возможности любого отдельного процессора, поэтому высокопроизводительные вычисления используют тысячи ядер, ускорителей и интеллектуальных алгоритмов для выполнения крупнейших молекулярных, решеточных и астрофизических расчетов.
Definition
Высокопроизводительные вычисления в физике — это использование параллельного оборудования, ускорителей и масштабируемых алгоритмов для выполнения физических симуляций, значительно более крупных или быстрых, чем это позволяет последовательное вычисление, при этом управляя коммуникацией, балансировкой нагрузки и численной масштабируемостью.
Scope
Эта область охватывает вычислительную инфраструктуру крупномасштабной физики: параллельное программирование с распределенной и общей памятью, вычисления на графических процессорах (GPU) и ускорителях, а также масштабируемые алгоритмы, такие как быстрые N-частичные и частица-сеточные методы. Особое внимание уделяется тому, как физические задачи отображаются на параллельное оборудование и что ограничивает их масштабирование.
Sub-topics
Core questions
- Как физические симуляции декомпозируются между множеством процессоров?
- Что говорит закон Амдала о пределах параллельного ускорения?
- Как графические процессоры (GPU) ускоряют параллельные по данным ядра, распространенные в физике?
- Как масштабируемые алгоритмы снижают стоимость дальнодействующих взаимодействий?
Key theories
- Декомпозиция домена и передача сообщений
- Крупные симуляции распределяются между процессорами путем разбиения физического домена, при этом процессоры обмениваются граничными данными посредством передачи сообщений, поэтому масштабируемость зависит от баланса между вычислениями и коммуникацией.
- Закон Амдала и пределы масштабирования
- Достижимое ускорение от распараллеливания ограничено долей работы, которая остается последовательной, что устанавливает фундаментальные пределы того, сколько процессоров может быть эффективно использовано для фиксированной задачи.
- Масштабируемые алгоритмы
- Быстрые мультипольные, древовидные и частица-сеточные методы снижают стоимость дальнодействующих взаимодействий от квадратичной до почти линейной зависимости от числа частиц, делая крупные симуляции осуществимыми независимо от чистой скорости оборудования.
Clinical relevance
Высокопроизводительные вычисления позволяют проводить крупнейшие симуляции молекулярной динамики, решеточной квантовой хромодинамики, космологические N-частичные и климатические симуляции, а те же методы ускоряют анализ данных в экспериментальной и наблюдательной физике.
History
Научные вычисления стимулировали развитие параллельного оборудования от векторных суперкомпьютеров через массивно-параллельные кластеры до современных машин с GPU-ускорением; алгоритмические достижения, такие как быстрый мультипольный метод, названный одним из ведущих алгоритмов двадцатого века, были столь же важны, как и аппаратное обеспечение, для обеспечения крупномасштабных физических симуляций.
Key figures
- Gene Amdahl
- Peter Pacheco
- Leslie Greengard
Related topics
Seminal works
- amdahl1967
- pacheco2011
Frequently asked questions
- Почему простое добавление большего количества процессоров не может постоянно ускорять симуляцию?
- Закон Амдала показывает, что любая последовательная часть работы ограничивает ускорение независимо от количества добавленных процессоров, а накладные расходы на коммуникацию растут с увеличением числа процессоров, поэтому после определенного момента дополнительные процессоры дают уменьшающуюся или отрицательную отдачу для фиксированного размера задачи.
- Что важнее: более быстрые алгоритмы или более быстрое оборудование?
- Важно и то, и другое, но алгоритмические улучшения, такие как быстрые мультипольные и частица-сеточные методы, часто приносили большие выгоды, чем только аппаратное обеспечение, потому что они изменяют то, как стоимость масштабируется с размером задачи, а не просто постоянный коэффициент.