Lösandet av stora glesa linjära ekvationssystem med kvadrupelprecision på GPU
Bibliographic record
Abstract
Linjära ekvationssystem i formen Ax = b är ett matematiskt problem som ofta behöver lösas och som vanligtvis förekommer inom fysik, matematik och olika typer av numeriska simuleringar [1]. För att lösa ekvationssystem kan antingen direkta eller iterativa lösare tillämpas. I denna avhandling behandlas lösning av stora glesa illa konditionerade linjära ekvationssystem. Systemen som behandlas är genererade av fusionssimuleringsprogrammet DREAM (eng. disruption and runaway electron avoidance model). I dagens läge löser DREAM linjära ekvationssystem med en direkt lösningsmetod [2]. Direkta lösare kräver mycket mera minne än iterativa lösare då det är fråga om glesa matriser, eftersom de iterativa lösarna endast använder sig av de nollskilda värdena i systemet. Minneskravet ökar då systemen växer. Stora system är därför problematiska för direkta lösare. Då numeriska beräkningar görs på illa konditionerade matriser, kommer precisionen att lida [3]. Matriserna som behandlas i denna avhandling är alla illa konditionerade och konvergerar inte med exempelvis dubbelprecision. I avhandlingen har en iterativ lösare som använder algoritmen QMR (eng. quasi-minimal residual) skapats. Lösaren använder sig av 128 bitars kvadrupelprecisionsflyttal. Programmet körs parallellt på GPU (eng. graphics processing unit) och löser ett illa konditionerat 87 018 × 87 018 system med cirka en miljon nollskilda tal på ungefär en minut på en Nvidia RTX 3080TI GPU. Den iterativa lösaren klarar av att lösa systemen som DREAM genererade. Avhandlingen visar att programmet skapar pålitliga lösningar både till små 753 × 753 och till stora 1000 000 × 1000 000 matriser genom att jämföra svaren som beräknas då olika toleranser används. Även om lösningarna är pålitliga vore det i DREAM:s intresse att på något vis bli av med behovet av kvadrupelprecision. Orsaken till detta är att en iteration av QMR med kvadrupelprecision visade sig vara ungefär 20 gånger långsammare än dubbelprecision. Avhandlingen behandlar IEEE 754-standarden för flyttal, matriser, minneskrav, lösningsmetoder, Nvidia CUDA-kod (eng. compute unified device architecture) och en del av optimeringsprocessen som gjordes då QMR-programmet skapades. Även exekveringshastigheten för aritmetiska operationer med dubbel- och kvadrupelprecision jämförs, och slutligen sammanfattas resultaten kort.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.145 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".