論文の概要: Proven Distributed Memory Parallelization of Particle Methods
- arxiv url: http://arxiv.org/abs/2401.02180v1
- Date: Thu, 4 Jan 2024 10:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 15:19:13.997997
- Title: Proven Distributed Memory Parallelization of Particle Methods
- Title（参考訳）: 粒子法による分散メモリ並列化の実証
- Authors: Johannes Pahlke, Ivo F. Sbalzarini
- Abstract要約: 本稿では,分散メモリコンピュータの並列化手法として,アルゴリズムのクラスを形式的に定義する。
特に、解析された並列化スキームはよく知られ、一般的に使われている。
- 参考スコア（独自算出の注目度）: 1.90365714903665
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We provide a mathematically proven parallelization scheme for particle
methods on distributed-memory computer systems. Particle methods are a
versatile and widely used class of algorithms for computer simulations and
numerical predictions in various applications, ranging from continuum fluid
dynamics and granular flows, using methods such as Smoothed Particle
Hydrodynamics (SPH) and Discrete Element Methods (DEM) to Molecular Dynamics
(MD) simulations in molecular modeling. Particle methods naturally lend
themselves to implementation on parallel-computing hardware. So far, however, a
mathematical proof of correctness and equivalence to sequential implementations
was only available for shared-memory parallelism. Here, we leverage a formal
definition of the algorithmic class of particle methods to provide a proven
parallelization scheme for distributed-memory computers. We prove that these
parallelized particle methods on distributed memory computers are formally
equivalent to their sequential counterpart for a well-defined class of particle
methods. Notably, the here analyzed parallelization scheme is well-known and
commonly used. Our analysis is, therefore, of immediate practical relevance to
existing and new parallel software implementations of particle methods and
places them on solid theoretical grounds.
- Abstract（参考訳）: 分散メモリコンピュータシステムにおける粒子法に対する数学的に証明された並列化方式を提案する。
粒子法(ほくうほうほう、英: particle method)は、分子モデリングにおける分子動力学(md)シミュレーションに、滑らかな粒子流体力学(sph)や離散要素法(dem)といった手法を用いて、連続流体力学や粒状流など様々な応用における計算機シミュレーションや数値予測のための多用途なアルゴリズムである。
パーティクル法は並列計算ハードウェアの実装に自然に貢献する。
しかし、これまでは共有メモリ並列処理に対してのみ、正しさと逐次実装の等価性に関する数学的証明が利用可能であった。
本稿では,分散メモリコンピュータに対して証明された並列化スキームを提供するため,粒子法のアルゴリズムクラスを形式的に定義する。
分散メモリコンピュータ上での並列化粒子法が,よく定義された粒子法クラスの逐次対応法と形式的に等価であることを証明した。
特に、解析された並列化スキームはよく知られ、一般的に使われている。
したがって、素粒子法の既存および新しい並列ソフトウェア実装に即座の実用的妥当性を示し、それらを理論的な根拠に位置づける。
関連論文リスト
- Electrostatics-based particle sampling and approximate inference [0.0]
静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。
より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
論文 参考訳（メタデータ） (2024-06-28T16:53:06Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Application of machine learning technique for a fast forecast of
aggregation kinetics in space-inhomogeneous systems [0.0]
機械学習(ML)技術を用いて直接計算の量を削減する方法について述べる。
本研究では,集合体の空間分布とその大きさ分布に対するML予測が計算時間を大幅に短縮し,直接数値シミュレーションの結果とよく一致することを示す。
論文 参考訳（メタデータ） (2023-12-07T19:50:40Z) - Quantum algorithms for linear and non-linear fractional
reaction-diffusion equations [3.409316136755434]
周期境界条件を持つ非線形分数反応拡散方程式の効率的な量子アルゴリズムについて検討する。
本稿では,ハミルトニアンシミュレーション手法と相互作用画像形式を線形に組み合わせた新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-29T04:48:20Z) - Simulating Scattering of Composite Particles [0.09208007322096534]
古典的および量子コンピュータ上での散乱をシミュレーションするための非摂動的アプローチを開発する。
この構造は、2つの複合粒子が接触する粒子衝突を模倣するように設計されている。
このアプローチは、相対論的および非相対論的条件の両方において、強く結合したシステムを研究するのに適している。
論文 参考訳（メタデータ） (2023-10-20T18:00:50Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。
本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。
いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-14T18:18:02Z) - Quantum Algorithms for Data Representation and Analysis [68.754953879193]
機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。
これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。
その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
論文 参考訳（メタデータ） (2021-04-19T00:41:43Z) - Comparative Study of State-of-the-Art Matrix-Product-State Methods for
Lattice Models with Large Local Hilbert Spaces [0.06524460254566902]
マトリックス生成状態(MPS)は、柔軟で汎用的なアンザッツクラスを提供する。
計算複雑性に対処するための異なるアプローチを利用する,最先端MPSの3つの手法を記述・比較する。
本研究では,これらの手法の特性をホルシュタイン模型の例として解析し,高精度な計算と,関連する基底状態オブザーバブルの有限サイズスケーリング解析を行う。
論文 参考訳（メタデータ） (2020-11-14T23:24:46Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳（メタデータ） (2020-02-10T10:11:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。