物理学中的高性能计算

现代物理学模拟的规模已超出任何单一处理器的能力，因此高性能计算利用数千个核心、加速器和巧妙的算法来运行最大的分子、晶格和天体物理计算。

Definition

物理学中的高性能计算是指利用并行硬件、加速器和可扩展算法来执行比串行计算允许的规模更大或速度更快的物理模拟，同时管理通信、负载平衡和数值可扩展性。

Scope

该领域涵盖大规模物理学的计算基础设施：分布式和共享内存的并行编程、GPU和加速器计算，以及快速N体和粒子网格方法等可扩展算法。它强调物理问题如何映射到并行硬件以及限制其扩展的因素。

Sub-topics

• GPU与加速器计算在物理学中的应用
• N体和粒子网格方法
• 物理学中的并行计算

Core questions

• 物理模拟如何在多个处理器之间分解？
• 阿姆达尔定律如何阐述并行加速的极限？
• GPU如何加速物理学中常见的数据并行内核？
• 可扩展算法如何降低长程相互作用的成本？

Key theories

域分解和消息传递

大型模拟通过划分物理域在处理器之间进行分割，处理器通过消息传递交换边界数据，因此可扩展性取决于计算与通信的平衡。

阿姆达尔定律和扩展限制

并行化可实现的加速受限于仍为串行的工作部分，这为固定问题可有效使用的处理器数量设定了基本限制。

可扩展算法

快速多极、树和粒子网格方法将长程相互作用的成本从粒子数的二次方降低到接近线性，使得大型模拟在不依赖原始硬件速度的情况下变得可行。

Clinical relevance

高性能计算使得最大的分子动力学、格点量子色动力学、宇宙学N体和气候模拟成为可能，同样的技术也加速了实验和观测物理学中的数据分析。

History

科学计算推动了并行硬件的发展，从矢量超级计算机到大规模并行集群，再到当今的GPU加速机器；快速多极方法等算法进步（被评为二十世纪最重要的算法之一）在实现大型物理模拟方面与硬件同样重要。

Key figures

• Gene Amdahl
• Peter Pacheco
• Leslie Greengard

Seminal works

• amdahl1967
• pacheco2011

Frequently asked questions

为什么仅仅增加处理器数量不能持续加速模拟？

阿姆达尔定律表明，无论增加多少处理器，任何串行工作部分都会限制加速，并且通信开销随处理器数量增加而增长，因此对于固定大小的问题，超过某个点后，额外的处理器会产生递减或负回报。

是更快的算法还是更快的硬件更重要？

两者都重要，但快速多极和粒子网格方法等算法改进通常比单纯的硬件改进带来更大的收益，因为它们改变了成本随问题规模变化的比例关系，而不仅仅是常数因子。