ترجمه مقاله الگوریتم LSQR موازی قیاس پذیر برای حل سیستم خطی بزرگ برای مسائل توموگرافیک - نشریه الزویر

قیمت خرید این محصول

۳۳,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

الگوریتم LSQR موازی قیاس پذیر برای حل سیستم خطی بزرگ برای مسائل توموگرافیک: یک مطالعه ی موردی در توموگرافی ارتعاشی

عنوان انگلیسی

A scalable parallel LSQR algorithm for solving large-scale linear system for tomographic problems: a case study in seismic tomography

صفحات مقاله فارسی

17

صفحات مقاله انگلیسی

10

سال انتشار

2013

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

6146

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر و ژئوفیزیک

گرایش های مرتبط با این مقاله

مهندسی الگوریتم ها و محاسبات، لرزه نگاری و زلزله شناسی

مجله

کنفرانس بین المللی علوم محاسباتی

دانشگاه

گروه علوم کامپیوتر، دانشگاه وایومینگ، ایالات متحده آمریکا

کلمات کلیدی

مسائل توموگرافیک، توموگرافی ارتعاشی، ارتعاش سنجی سازه ای، محاسبه ی علمی موازی، LSQR، ضرب بردار ماتریس، ارتباط قیاس پذیر، MPI

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1 مقدمه
2 تحقیقات مرتبط
3 مرور الگوریتم
4. ماتریس مرتب سازی مجدد
5 تجزیه داده
6 محاسبه موازی
7 ارتباط
8 ارزیابی عملکرد
8.1 تحلیل عملکرد
9 نتیجه گیری و کارهای آینده

نمونه چکیده متن اصلی انگلیسی

Abstract

Least Squares with QR-factorization (LSQR) method is a widely used Krylov subspace algorithm to solve sparse rectangular linear systems for tomographic problems. Traditional parallel implementations of LSQR have the potential, depending on the non-zero structure of the matrix, to have significant communication cost. The communication cost can dramatically limit the scalability of the algorithm at large core counts. We describe a scalable parallel LSQR algorithm that utilizes the particular non-zero structure of matrices that occurs in tomographic problems. In particular, we specially treat the kernel component of the matrix, which is relatively dense with a random structure, and the damping component, which is very sparse and highly structured separately. The resulting algorithm has a scalable communication volume with a bounded number of communication neighbors regardless of core count. We present scaling studies from real seismic tomography datasets that illustrate good scalability up to O(10, 000) cores on a Cray XT cluster

نمونه چکیده ترجمه متن فارسی

چکیده
روش حداقل مربعات با فاکتورگیری QR (LSQR) یک الگوریتم فضای فرعی کریلف است که به صورت گسترده برای حل سیستم های خطی مستطیلی پراکنده برای مسائل توموگرافیک استفاه می شود. پیاده سازی های سنتی موازیِ LSQR بسته به سازه ی غیرصفر ماتریس، هزینه ی ارتباطی بالقوه ی بالایی دارند. این هزینه ی ارتباطی می تواند به شدت قابلیت قیاس پذیریِ الگوریتم را در مقیاس بزرگ محدود کند. ما یک الگوریتم LSQR موازی قیاس پذیر را معرفی می کنیم که از سازه ی ویژه ی غیرصفرِ ماتریس هایی استفاه می کند که در مسائل توموگرافیک رخ می دهند. به طور خاص، ما مخصوصا مولفه ی کرنلِ ماتریس را مورد پردازش قرار می دهیم که با سازه ی تصادفی نسبتا متراکم است و مولفه ی میراگری که بسیار پراکنده است و به صورت جداگانه بسیار سازه ای است. الکوریتم حاصل دارای حجم ارتباطی قیاس پذیر با تعداد معین از همسایگان ارتباطی بدون توجه به شمارش هسته ای است. ما مطالعات پیمایش را از مجموعه داده ی توموگرافی ارتعاشی واقعی ارائه می کنیم که قابلیت قیاس پذیری خوب تا o(10,000) هسته را بر روی خوشه ی Cray XT نشان می دهد.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی ژئوفیزیک