تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله الگوریتم LSQR بهینه شده موازی برای توموگرافی ارتعاشی – نشریه الزویر

عنوان فارسی: الگوریتم LSQR بهینه شده موازی برای توموگرافی ارتعاشی
عنوان انگلیسی: An optimized parallel LSQR algorithm for seismic tomography
تعداد صفحات مقاله انگلیسی : 14 تعداد صفحات ترجمه فارسی : 32
سال انتشار : 2013 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6152 رفرنس : دارد
محتوای فایل : zip حجم فایل : 3.22Mb
رشته های مرتبط با این مقاله: ژئوفیزیک
گرایش های مرتبط با این مقاله: زلزله شناسی و لرزه شناسی
مجله: کامپیوتر و علوم زمین - Computers & Geosciences
دانشگاه: گروه زمین شناسی و ژئوفیزیک، دانشگاه وایومینگ ایالات متحده آمریکا
کلمات کلیدی: الگوریتم LSQR ، وارونگی توموگرافی، MPI، زلزله شناسی محاسباتی، مشکلات معکوس، محاسبات علمی موازی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

1 مقدمه

2 بهینه سازی

2.1 پارتیشن موازی برای ماتریس ها و بردارها

2.2 سربار ارتباطی میان پردازنده

2.3 ساختار داده برای ماتریس ها

2.4 ترتیب مجدد ماتریس تنظیمی

2.5 تعادل بار

3 نتایج

3.1 تحلیل عملکرد

3.2 مقایسه عملکرد

3.3 توموگرافی موجی کامل سه بُعدی برای جنوب کالیفرنیا

4 نتیجه گیری

نمونه متن انگلیسی

Abstract

The LSQR algorithm developed by Paige and Saunders (1982) is considered one of the most efficient and stable methods for solving large, sparse, and ill-posed linear (or linearized) systems. In seismic tomography, the LSQR method has been widely used in solving linearized inversion problems. As the amount of seismic observations increase and tomographic techniques advance, the size of inversion problems can grow accordingly. Currently, a few parallel LSQR solvers are presented or available for solving large problems on supercomputers, but the scalabilities are generally weak because of the significant communication cost among processors. In this paper, we present the details of our optimizations on the LSQR code for, but not limited to, seismic tomographic inversions. The optimizations we have implemented to our LSQR code include: reordering the damping matrix to reduce its bandwidth for simplifying the communication pattern and reducing the amount of communication during calculations; adopting sparse matrix storage formats for efficiently storing and partitioning matrices; using the MPI I/O functions to parallelize the date reading and result writing processes; providing different data partition strategies for efficiently using computational resources. A large seismic tomographic inversion problem, the full-3D waveform tomography for Southern California, is used to explain the details of our optimizations and examine the performance on Yellowstone supercomputer at the NCAR-Wyoming Supercomputing Center (NWSC). The results showed that the required wall time of our code for the same inversion problem is much less than that of the LSQR solver from the PETSc library (Balay et al., 1997).

نمونه متن ترجمه

چکیده

الگوریتم ایجاد شده توسط پیج و ساندرز (1982) به عنوان یکی از کارآمدترین و پایدارترین روشهای حل سیستم های خطی بزرگ، پراکنده و مشکل دار محسوب می شود. در توموگرافی ارتعاشی، روش LSQR به صورت گسترده در حل مسائل وارون سازی (اینورسیون) خطی شده استفاده می شود. با افزایش بررسی های ارتعاشی و پیشرفت روش های توموگرافیک، اندازه ی مسائل وارون سازی می تواند متعاقب آن رشد کند. هم اکنون، چند حل کننده ی LSQR موازی ارائه شده اند یا برای حل مسائل بزرگ بر روی سوپرکامپیوترها موجود می باشند اما قابلیت قیاس پذیری آنها معمولا ضعیف است چون در میان پردازنده ها هزینه ی ارتباط بالا است. در این مقاله، ما جزئیات بهینه سازی بر روی کد LSQR را برای وارون سازی توموگرافیک ارتعاشی ارائه می کنیم. بهینه سازی هایی که ما برای کد LSQR اجرا کرده ایم به عبارت روبرو می باشند: ترتیب مجدد ماتریس میرایی برای کاهش پهنای باند آن به منظور ساده کردن الگوی ارتباطی و کاهش میزان ارتباطات در حین محاسبات، اتخاذ فرمت های ذخیره ی ماتریس پراکنده برای ذخیره سازی کارآمد و ماتریس های پارتیشن بندی؛ استفاده از توابع MPI I/O برای موازی کردن تاریخ خوانش و فرآیندهای نوشتن نهایی؛ فراهم کردن استراتژی های مختلف برای پارتیشن داده به منظور استفاده ی موثر از منابع محاسباتی. یک مسئله ی وارون سازی توموگرافی ارتعاشی، توموگرافی موجی سه بُعدی کامل برای جنوب کالیفرنیا، برای توضیح جزئیات بهینه سازی های ما و ارزیابی عملکرد سوپرکامپیوتر Yellowstone در مرکز سوپرمحاسبات NCAR-Wyoming (NWSC) مورد استفاده قرار گرفت. نتایج نشان دادند که وال تایم کد ما برای مسئله ی وارونه سازی مشابه بسیار کمتر از زمان حل کننده ی LSQR از مخزن PETSc می باشد.