Massively Parallel GPU ODE Solver

Массивно-параллельный GPU-ODE-Solver

Интегратор с ускорением на графическом процессоре для большого количества независимых систем обыкновенных дифференциальных уравнений

Модули:

Единая система для каждого потока v3.1

Он решает большое количество экземпляров одной и той же системы ОДУ с разными начальными условиями и/или наборами параметров.

Связанные системы поблочно v1.0

Он решает большое количество экземпляров связанной системы (состоящей из множества подсистем) с разными начальными условиями и/или наборами параметров.

Примечания к выпуску:

18 августа 2020 г.

Единая система для каждого потока v3.1:

• Поддержка как одинарной, так и двойной точности.
• Улучшенное/переработанное руководство, например, более подробное руководство по установке для пользователей Windows.
• Включение пакетного файла make.bat для упрощения процесса компиляции в Windows.
• Добавлен новый учебник (Урок 5) для тестирования примера, имеющего экземпляры с очень большими различиями во времени. Кривая производительности MPGOS сравнивается с программными пакетами odeint (C++) и DifferentialEquations.jl (Julia). MPGOS превосходит эти пакеты.
• Урок 6 (динамика воздействия) также дополнен кривыми производительности, см. предыдущий пункт. При этом MPGOS — единственный программный пакет, способный работать с системами с ударной динамикой (на графических процессорах). Поэтому сравнение производительности проводилось только с версиями odeint и DifferentialEquations.jl для ЦП.
• Незначительные изменения: четкое разделение переменных TimeDomain и ActualState.

Поблочные связанные системы v1.0:

• Этот первый модуль MPGOS готов. Код предназначен для решения большого количества экземпляров связанной системы (состоящей из множества подсистем, называемых модулями) с разными начальными условиями и/или наборами параметров.
• Модуль унаследовал практически все возможности модуля Single System Per-Thread v3.1. Есть несколько особенностей, например, обработка событий возможна только на уровне модуля; только явная связь может рассматриваться в матричной форме; За подробностями заинтересованный читатель может обратиться к руководству.
• Приводятся два обучающих примера.

14 февраля 2020 г.

Единая система на поток v3.0:

• Значительное улучшение производительности. Представленная методика метапрограммирования шаблонов позволила нам создать высокооптимизированный код. Среднее значение просачивания составляет 3 раза, а для низкоразмерных систем оно может составлять даже порядок.

10 октября 2019 г.

Единая система на поток v2.1:

• С помощью шаблонного метапрограммирования код полностью шаблонизируется для генерации узкоспециализированного кода решателя во время компиляции (в зависимости от алгоритма и необходимости обработки событий и плотного вывода). Соответственно, перерабатывается файловая система.
• Небольшое расширение: возможность использовать целочисленные общие параметры и целочисленные аксессуары для эффективного применения сложных методов индексации для сложных систем.

13 августа 2019 г.

Единая система на поток v2.0:

• Плотный вывод теперь поддерживается с некоторыми ограничениями, см. руководство. Это необходимое условие, например, для решения дифференциальных уравнений с запаздыванием.
• Код и его интерфейс значительно упрощены и понятны. Например, пул проблем полностью исключен из кода (он был сохранен по историческим причинам), и многие возможные варианты теперь привязаны к объекту решателя, который можно настроить с помощью одной функции-члена.
• Руководство также переработано и упрощено с учетом отзывов.

9 апреля 2019 г.

Единая система на поток v1.1:

• Устройство (GPU) может быть связано с каждым объектом решателя. Таким образом, выбор устройства теперь осуществляется автоматически.
• Поток CUDA автоматически создается для каждого объекта Solver.
• Новый набор функций-членов для перекрытия вычислений между процессором и графическим процессором и легкого распределения рабочей нагрузки между различными графическими процессорами в одном узле. Сюда входят асинхронные операции с памятью и ядром, а также возможности синхронизации между потоками ЦП и потоками графического процессора.
• На каждом этапе интеграции можно указать переменную активного количества потоков, чтобы удобно справляться с эффектом хвоста.
• Добавлены два новых учебных примера: а) перекрытие вычислений ЦП и графического процессора с использованием нескольких объектов решателя; б) использование нескольких графических процессоров, доступных на одном компьютере/узле.

14 февраля 2019 г.

Единая система на поток v1.0:

• Этот первый модуль MPGOS готов. Код предназначен для решения огромного количества независимых, но одинаковых (наборы параметров и начальные условия могут быть разными) систем ОДУ на графических процессорах.
• Удобство для пользователя. Даже тем, кто плохо знаком с программированием на C++, достаточно короткого курса, чтобы начать пользоваться программным пакетом.
• Имеется подробная инструкция с обучающими примерами. Таким образом, пользователь может легко создать свой собственный проект путем копирования блоков кода.
• Эффективная и надежная обработка событий.
• Пользовательское действие после каждого временного шага для гибкости.
• Определяемые пользователем «взаимодействия» после каждого успешного временного шага или обработки событий (очень полезно, например, для динамики воздействия, см. учебные примеры в руководстве).
• Возможность использовать иерархию памяти графического процессора без явного знания деталей.
• Программируемый пользователем параметр для гибкой реализации и хранения особых свойств траектории.
• Только явные решатели: метод Рунге-Кутты 4-го порядка с фиксированным шагом по времени и метод Рунге-Кутты-Кэша-Карпа 4-го порядка с оценкой встроенной ошибки 5-го порядка. (из-за сложного потока управления неявными решателями явный решатель иногда работает лучше, чем неявный, даже для сложных задач).
• Поддерживаются только арифметические операции двойной точности.
• Сохранение только конечных точек каждого этапа интеграции (для повышения скорости). Однако это редко является проблемой, поскольку программируемые пользователем параметры и вышеупомянутые определяемые пользователем взаимодействия позволяют сохранять самые сложные свойства траектории, см. документацию.