High Performance Parallel Block Supernode Direct Solver for Stiffness Equation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The process of direct method to solve large sparse linear equation mainly includes reordering, symbolic factorization, numerical factorization and triangular solving. Traditional symbolic factorization predicts the pattern of $L$ based on single column and single row index. We propose to directly partition supernodes based on characteristics of matrix reordered by METIS, and then perform parallel symbolic factorization based on supernodes and row index fragments. A parallel block supernode numerical factorization strategy is proposed based on the concept of task pool here. In triangular solving stage, unlike traditional algorithms based on DAXPY and DDOT operations, we propose a new parallel triangular solving algorithm based on DGEMM and DTRSM operations. We name the parallel solver as finite element analysis direct solver (FEADS) and compare it with the advanced MKL PARDISO and MUMPS. The stiffness equations of 394770 and 719871 dimensions are solved using the solvers on two different computers. On the first computer, the solving efficiency of FEADS and MKL PARDISO is comparable, while MUMPS is relatively backward. On the second computer, FEADS performs especially well. For solving the case with 394770 dimensions, FEADS leads MKL PARDISO and MUMPS by 21.92% and 42.35%, respectively. For solving the case with 719871 dimensions, FEADS leads 34.75% and 38.38% respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle