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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل الگوریتم LSQR موازی قیاس پذیر برای حل سیستم خطی بزرگ برای مسائل توموگرافیک: یک مطالعه ی موردی در توموگرافی ارتعاشی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

۹ نتیجه گیری و کارهای آینده
LSQR یک روش عددی رایج برای حل سیستم های خطی پراکنده بزرگ در مسائل توموگرافیک است. ما الگوریتم SPLSQR را توصیف کردیم که از ویژگی های خاصِ ماتریس ضریب استفاده می کند که مولفه های تراکم کاذب و پراکنده می شود. ما نشان دادیم که الگوریتم SPLSQR حجم ارتباطی قیاس پذیر دارد و هزینه ی ارتباط را در مقایسه با الگوریتم های موجود به شدت پایین می آورد. ما همچنین نشان دادیم که بر روی یک مجموعه داده ی توموگرافی ارتعاشی کوچک، الگوریتم SPLSQR 9.9 برابر سریعتر از الگوریتم PETSc بر روی ۲۴۰۰ هسته از یک Cray XT5 می باشد. پیاده سازی کنونیِ الگوریتم SPLSQR بر روی ۱۹۲۰۰ هسته ی Cray Xt5 33 برابر سریعتر از پیکربندی PETSc بر روی مجموعه داده ی ANGF معتدل می باشد. در آینده، ما SPLSQR را بسط می دهیم تا رویکردهای برنامه نویسی موازی اضافی را استفاده کنیم مانند OpenMp یا CUDA.

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

۹ Conclusions and Future Work

LSQR is a widely used numerical method to solve large sparse linear systems in tomographic problems. We describe the SPLSQR algorithm that utilizes particular characteristics of coefficient matrix that include both pseudo-dense and sparse components. We demonstrate that the SPLSQR algorithm has scalable communication volume and significantly reduces communication cost compared with existing algorithms. We also demonstrate that on a small seismic tomography dataset, the SPLSQR algorithm is 9.9 times faster than the PETSc algorithm on 2,400 cores of a Cray XT5. The current implementation of the SPLSQR algorithm on 19,200 cores of a Cray XT5 is 33 times faster than the fastest PETSc configuration on the modest ANGF dataset. In the future, we will extend SPLSQR to utilize additional parallel programming approaches, e.g., OpenMP or CUDA.

$$en!!