Ł ßı ł Ł ßı ß ŁaeºŁ º ßı aeŁae Ł ºŁ ŁŁ ŁaeaeŁ ı Ł ŁŒŁ º ß ∗ ¸ Ł Łı Ł ßı

-

1,2, ˆ. . ` ª ae . . ˇ 1,3, . . ` º

ø Œ 1,3 ¨ ae Ł ŁŒº Ł . ˇ.˝. ¸ Æ

Ø — ˝2, ˝ ŁŒŁ Ł . .´. ˚ º ßł Ł º ßØ Łaeaeº ¨ ¨ 3

1,3, ˛.ˆ. ˛º ı aeŒ 1, — ˝ 1, Ł Ł aeŒŁØ Ł ae Ł º aeŒŁØ ßØ Ł aeŁ ae ßı ae ae ae

ªŁ Ø ßı º º ßı Æ ae º

ß Œ ºŁ ß

ae Œ Œ Łaeº ae ø Ø Ł ˚ºß aeº: Ł ŁŒ

Ł ßı ae º Ł Ø, ae ae ºŁ¨ Ł ß ß, CUDA, MPI, ªŁÆ Ł ß ß, ¸ , Ł aeŒ ß ŁaeºŁ º ß aeŁae ß. Ł , Æ Ø ae , ae Ł ŁŒ ŁŁ ae Æ º

Łaeº ßı Œ ß Ł ß ŁaeºŁ º ß ß

ª ae . GPU- ae Øae , Ł ßı ae Æ Æ Œ Ø Ł ae ł ß º ae Ł º Œ GPU- ae Øae Ł.

Æ ÆøŁ Łı ae º Ł º

Ł, Æ ßı Łaeº Œ Łae º ß Ł Œº ae Ł aeae ßı ae Ł ß Ł aeŁae ºŁ Ł ı Œ CPU, Ł ª º Łº

Æ 1. ´ ˇ

Ł Ł ´

Ł º Œ ae Ł Ł aeŒŁı

ae ª ł ŁØ (GPGPU). ˝ ŁÆ º ł º ø º Ł Œ Œ aełŁ ł Ł ae

aeae ∗— Æ ß º 16-31-00350- º_ .

ae ae Ł ߌ , Ł ºŁ Ł º ŁØ ŁŒ ŁØ ( ¸ ) ae Æ º łŁ Ł ß ŁaeºŁ º ª Ł.

Ł º ae Ł Łaeº Łaeaeº ae Æ Œ Œ

ºº ºŁ ºª Ł . ´ Ø Ł ae Ł Ø Ł Œ — ¨, ª

ß 16-31-60101- º_ _ Œ Ł Œ ¸ ae ł Ł º Ø , Æ Ø Æ Œ

Œ Ł Ł ı ß Œ Ø Ł ł Ł Œ Ł , Œ ł Ł ßı Ł Ł aeŒŁı Ł ß ºŁ Ø ßı ºª ÆŁ Æ º ßı ae ŒŁ Ø Ł

ª Æß ¸ , ƺ ŁŁ Œ ı ºŁ ı . ´ Œ ae Łaeaeº ae ÆŁºŁ Ł ßØ

[2, 3], º øŁØae ˝ aeŒ º Œ aeº aeº ı Ø Ł ß º ł

ª , Ł Æ ø ae

Ł Ł ae aeŒ Ł, Łı Ł º ßØ ßı Ł

ae ø ª ae

Æ aeº ºŁ Ø Æ ˆ aeae ˙ Ø º Ł ı ae ae º Ł ß º ß ae ª ,

ª ÆŁae ae aeŒ Ł º ae Œ Ł Œ ae aeı Ł ae Ł

Ł º Ł º Œ 4-5 Ł Ł ŁØ Ø Ł Æߺ ßÆ

ßı ª Ł ßÆ º ß ae Øae ºº º Ø ºº ºŁ

ßı Ł . ¨ ae ßaeº ı ºŁ Ł ae

ae Łae º Ł (BiCGStab) ae Ł ßı ł º Ø Æ aeº ºŁ

Ł ºŁ ºŁ ŁŁ ł ŁŁ º ı Æ Łı ae Æ ŁØ Ł łŁı Œ

Łae º Łaeº Ł 2-3. ˇ ae ª Ł aeŒ ª ae Œ ParMetis [17]. ˜º ÆŁÆºŁ Œ Aztec [18], ßı º Æ ß ae ae Ø Ł º º Ł, ÆŁ Ł ƺ ae Ł

Ł GPU- ae Øae ae Łae º Ł Ł ł . ŒŁ Æ DMSR [18], º Œ º

Ł Œ ß Łaeº ŁŁ º º

ł Ł ßØ ºª Ł Ł ßı º ae ªŁı ae

, Łaeae Œ , —Łae. 1. ˇ ae Œ ae ∂B ∂B ∂2B ∂t + κB ∂z = D ∂z2 , ª B ≡ By º ae Œ Ø ª Ł ª º ,D = c2/4πσ, κ = (cmi/4πZe) ( ∂n−1/∂x) ŁºŁ cmi/4πρZe. ˙ ae c aeŒ ae ae ,σ Ł ae , mi aeae Ł , Z Ł ,e º ßØ . ˜º ae ßı aeŒ ÆߺŁ Łae º ß aeº øŁ Ł :D = 1/4π, κ = 8.25 · 10−18/ρ, x| y| z ∈ [0, 3] ª ßı Ł Ł ı MARPLE3D. — ae º Ł º ae Ł º ae ß Ł ρ = 2ρ0 º x < 1, ρ = 2ρ0/x º 1 < x < 2 Ł ρ0 ae º ßı aeº ı,ρ0 = 10−18. ˝ º ß Ł ª Ł ß aeº Ł aeº øŁ :

B(zmin, t) = 1/√4π, B(zmax, t) = 0, ˇ ae Łae º ae Œ , ae ae κ,0, α ae ß aeae

º 3.2. — º ˝ , ß Łaeº º Œ ªº Æ º N N Z ≈ 2.2 · 107, Œ

Ł , Ł º Ł , Łaeß øŁı ŁaeaeŁ ß ae Œº aeae

ƺ Œ (BLOCK_SIZE), (GROUP_SIZE), Ł Œ ºŁ ae

Œ Ł ß R(OWS_COUNT). —Łae. 2. ˙ ŁaeŁ ae Œ ª )

Ł ß Łaeº Ł ƺ Œ Ł Łaeº ª ł Ł ae Ł GPU- ae 1

Øae 32 ae ŒŁ ƺ Œ ,

Ł ae ae ß Œ ºŁ, Æ º łŁı

Ł ß º

º Ł ı. ˛ Ł aeŒ Œ , ŁŁ ROWS_COUNT ß ae

Ł Ł SpMV

Ł Œ Ł ª ŁŁ ae aeº Æ . ºŁÆ

˜ º ae Ł aeŒ ª tN

º Œ ae CPUŒ Æߺ ae Œ ß Ł ae

Œ Ł ae ł Ø aeı Ł CUSP Ł CUB, Æ Ł ae ı aeae

ØłŁ Łaeaeº ºŁ ª Ł Ł Łae º º ae

ß º º Ł º aeae .

ae Ł Ł Ł ÆŁÆºŁ ºŁ ŁŁ

ae Ł ß Ł ßı ŁŁ ae ª ŁØ.

Ł ß Łae º ae øŁ

ºŁ Ł ÆߺŁ º ß

Ł ª ß Ł S = tN /TN , Ø Ł ŁŁ ł

ae ae Ł ŁaeŁ ae Ł

Ł ß Łaeº Ł SpMV Œ Ł. — º ß Ł º ae ae ae Ł

Łº ł ł Łae º ß Łae. 3. ´Ł ,

CUSPARSE [26] Ł aeŒ º Œ Æı Ł ae Ł Ł Œ Œ ª ª Ø, ae ø ae º ł ߪº Ł ae

º Ł aeŒ Ł Ł Œ Ł Ł T1 Ł T2. ˜º ß Łaeº Ł º Œ Ł ae Ł E = T1 /(N TN ) , º N CPU- aeae Ł, TN - ,

ª GPU- ae Øae º Œ ª º ß Łae. 4 Ł 5. —Łae. 4. aeŒ ŁaeŁ ae Ł Ł S Ł Łaeº Łae º Œ Ł

ae Ł ŁŒaeŁ ßı GPU- ae Øae .

Ł E º Ł T1 ( ) (Æ) ŁŁ —Łae. 5. aeŒ ŁaeŁ ae Ł Ł S ( ) Ł Łaeº Łae º , Łº ł aeŒ Ł 50 ßae ß

º Ø Ł Œº ae ŁŁ ß Ł ae Łı Œ ªº Æ º Æ º øŁıae GPU- ae Ł ºŁ aeı

Ø ßae Œ

Ł ß. aeŒ 1. NVIDIA Corp. CUDA C Programming Guide. Design Guide, PG-02829-001_v7.0. 2015. 2. Saad Y. Iterative Methods for Sparse Linear Systems. Society for Industrial and Applied

Mathematics, 2003. 537 P. 3. van der Vorst H. Iterative Krylov Methods for Large Linear Systems. Cambridge University

Press, 2009. 236 P. 5. Humphrey J. R., Price D. K., Spagnoli K. E., Paolini A. L., Kelmelis E. J. CULA: Hybrid GPU Accelerated Linear Algebra Routines // Modeling and Simulation for Defense Systems and Applications V, SPIE Proceedings. 2010. Vol. 7705. P. 770502. 6. PARALUTION Labs. User manual, PARALUTION Version 1.1.0. URL:

https://www.paralution.com/user-manual/ ( Æ ø Ł : 01.02.2016). Æ ø Ł : 01.02.2016). 9. ˆ Æ Ø

Łaeº aeŁae ¨ ººŁ ˜. ., ˝ŁŒŁ ª ł Ł // ´ ae ŁŒ ˝Ł Ł ß ı Æ ø Ł : 11. ˆ aeŁº ` º ß

ª Ł º ae . 24.

B. A., ` º

. ˝., ˆ aeŁº MARPLE3D º Ø ª Ł aeŒ 1. . 55 87.

. ., ˜ ¨. ´., `

ºŁ Ø º Œ

Ł ß // .´., ˛º ı . ., ß ßae Œ Ł aeŒ ˛. ˆ., ˚ ´. . ˇ Œ

Ł Ł º aeŒ ºŁ

ł ŁŒº ßı ´ Ł . 2012.

¯. ¸., ßı 12. Bell N., Garland M. E cient Sparse Matrix-Vector Multiplication on CUDA. Technical

Report NVR-2008-004, NVIDIA Corporation. 2008. 13. Guo P., Wang L. Auto-Tuning CUDA Parameters for Sparse Matrix-Vector Multiplication on GPUs // In Computational and Information Sciences (ICCIS’10). 2010. P. 1154 1157. 14. Sø rensen H. H. B., High-Performance Matrix-Vector Multiplication on the GPU //

Euro-Par 2011: Parallel Processing Workshops. 2012. Vol. 7155. P. 377 386. 15. Reguly I., Giles M., E cient sparse matrix-vector multiplication on cache-based GPUs //

Innovative Parallel Computing (InPar). 2012. P. 1 12. 16. Xu S., Xue W., Lin H. X. Performance modeling and optimization of sparse matrix-vector multiplication on NVIDIA CUDA platform // The Journal of Supercomputing. 2013.

No. 63(3). P. 710 721. 17. Karypis G., Kumar V. Parmetis: Parallel graph partitioning and sparse matrix ordering library, version 4.0. Technical report, University of Minnesota, Department of Computer Science and Engineering. 2013. 18. Tuminaro R. S., Heroux M., Hutchinson S. A., Shadid J. N., O cial Aztec User’s Guide,

SAND99-8801J, 1999. 19. NVIDIA Corp. CUBLAS Library. User guide, DU-06702-001_v7.0. 2015 20. ˆŁÆ Ł ßØ ß ŁaeºŁ º ßØ Œº ae K-100. URL: http://www.kiam.ru/MVS/resourses/k100.html ( Æ ø Ł : 01.02.2016). 21. Kingsep A. S., Mokhov Y. V., Chukbar K. V. Nonlinear skin phenomena in plasma // Proceedings of the 2nd International Workshop on Nonlinear and Turbulent Processes in Physics (Kiev, USSR, 10-25 October 1983), 1983. Vol. 1. P. 267 275. 22. ` ª ae 26. NVIDIA Corp. CUSPARSE Library, DU-06709-001_v7.0. 2015. The implementation of iterative methods for solving linear systems on heterogeneous computing systems and their application in modeling of dissipative processes in problems of plasma physics Keldysh Institute of Applied Mathematics RAS 1, P.N. Lebedev Physical Institute RAS 2 Many problems in physics, including physics of plasmas require solving systems of linear equations with large sparse matrices. The use of all computing resources provided by modern heterogeneous clusters is important in this issue to minimize overall time spent on modeling of various dissipative processes. This paper proposes realization of some Krylov subspace iterative methods with using CUDA and MPI. The results of the performance measurements on test problems related to di erent physical processes, using structured and unstructured grids are presented. On the basis of these empirical data it has been estimated optimal number of rows to be processed by the con guration consisting of one CPU and one GPU. 1. NVIDIA Corp. CUDA C Programming Guide. Design Guide, PG-02829-001_v7.0. 2015. 2. Saad Y. Iterative Methods for Sparse Linear Systems. Society for Industrial and Applied

Mathematics, 2003. 537 P. 3. van der Vorst H. Iterative Krylov Methods for Large Linear Systems. Cambridge University

Press, 2009. 236 P. 5. Humphrey J. R., Price D. K., Spagnoli K. E., Paolini A. L., Kelmelis E. J. CULA: Hybrid GPU Accelerated Linear Algebra Routines // Modeling and Simulation for Defense Systems and Applications V, SPIE Proceedings. 2010. Vol. 7705. P. 770502. im. N. I. Lobachevskogo. Informatsionnye tekhnologii [Bulletin of the Lobachevsky University]. 2011. No. 2(1). P. 190 196. 12. Bell N., Garland M. E cient Sparse Matrix-Vector Multiplication on CUDA. Technical

Report NVR-2008-004, NVIDIA Corporation. 2008. 13. Guo P., Wang L. Auto-Tuning CUDA Parameters for Sparse Matrix-Vector Multiplication on GPUs // In Computational and Information Sciences (ICCIS’10). 2010. P. 1154 1157. 14. Sø rensen H. H. B., High-Performance Matrix-Vector Multiplication on the GPU //

Euro-Par 2011: Parallel Processing Workshops. 2012. Vol. 7155. P. 377 386. 15. Reguly I., Giles M., E cient sparse matrix-vector multiplication on cache-based GPUs //

Innovative Parallel Computing (InPar). 2012. P. 1 12. 16. Xu S., Xue W., Lin H. X. Performance modeling and optimization of sparse matrix-vector multiplication on NVIDIA CUDA platform // The Journal of Supercomputing. 2013.

No. 63(3). P. 710 721. 17. Karypis G., Kumar V. Parmetis: Parallel graph partitioning and sparse matrix ordering library, version 4.0. Technical report, University of Minnesota, Department of Computer Science and Engineering. 2013. 18. Tuminaro R. S., Heroux M., Hutchinson S. A., Shadid J. N., O cial Aztec User’s Guide,

SAND99-8801J, 1999. 19. NVIDIA Corp. CUBLAS Library. User guide, DU-06702-001_v7.0. 2015 21. Kingsep A. S., Mokhov Y. V., Chukbar K. V. Nonlinear skin phenomena in plasma // Proceedings of the 2nd International Workshop on Nonlinear and Turbulent Processes in Physics (Kiev, USSR, 10-25 October 1983), 1983. Vol. 1. P. 267 275. 22. Bagdasarov G. A. Tryekhmernoe modelirovanie magnitouskorennoy impul’snoy plazmy s uchyetom e ektov, obuslovlennykh obobshchyennym zakonom Oma [Three-dimensional modeling of magnetically accelerated pulsed plasma, taking into account e ects due to the generalized Ohm’s law]. PhD thesis, Keldysh Institute of Applied Mathemtics. 2012.

References

4. Dalton S. , Bell N. , Olson L. , Garland M. Cusp: Generic Parallel Algorithms for Sparse Matrix and Graph Computations . URL: http://cusplibrary.github.io/ (accessed: 01 . 02 . 2016 ).

6. PARALUTION Labs . User manual , PARALUTION Version 1.1 .0. URL: https://www.paralution.com/user-manual / (accessed: 01.02 . 2016 ).

7. Balay S. , Abhyankar S. , Adams M. F. , Brown J. , Brune P. , Buschelman K. , Dalcin L. , Eijkhout V. , Gropp W. D. , Kaushik D. , Knepley M. G. , McInnes L. C. , Rupp K. , Smith B. F. , Zampini S. , Zhang H. PETSc Web page . URL: http://www.mcs.anl.gov/petsc/ (accessed: 01 . 02 . 2016 ).

8. CUB Web page . URL: https://nvlabs.github.io/cub/ (accessed: 01 . 02 . 2016 ).

9. Gubaydullin D. A. , Nikiforov A. I. , Sadovnikov R . V. Biblioteka gpu_sparse dlya chislennogo resheniya zadach mekhaniki sploshnykh sred na gibridnoy vychislitel'noy sisteme [gpu_sparse library for the numerical solution of continuum mechanics problems on hybrid computing system ] // Vestnik Nizhegorodskogo universiteta

10. ViennaCL Web page . URL: http://viennacl.sourceforge.net/ (accessed: 01 . 02 . 2016 ).

11. Gasilov V. A. , Boldarev A. S. , D' yachenko S. V. , Olkhovskaya O. G. , Kartasheva E. L. , Boldyrev S. N. , Bagdasarov G. A. , Gasilova I. V. , Boyarov M. S. , Shmyrov V. A. Program package MARPLE3D for simulation of pulsed magnetically driven plasma using high performance computing // Matem . Mod. 2012 . Vol. 24 . No. 1. P. 55 87 .

20. Gibridnyy vychislitel'nyy klaster K-100 [Heterogeneous computing cluster K- 100 ]. URL: http://www.kiam.ru/MVS/resourses/k100. html (accessed: 01.02 . 2016 ).

23. Samarskii A. A. , Sobol' I. M. Examples of numerical calculation of temperature waves // Zh . Vychisl. Mat. Mat. Fiz . 1963 . Vol. 3 . No. 4. P. 702 719 .

24. Samarskii A. A. , Koldoba A. V. , Poveshenko Yu . A., Tishkin V. F. , Favorskii A. P. Raznostnye skhemy na neregulyarnykh setkakh [Di erence Schemes on Irregular Meshes] . JSC Kriteriy , 1996 . 274 P.

25. Gasilov V. A. , Gasilova I. V. , Klochkova L. V. , Poveshchenko Yu . A., Tishkin V. F. Di erence schemes based on the support operator method for uids dynamics problems in a collector containing gas hydrates // Zh . Vychisl. Mat. Mat. Fiz . 2015 . Vol. 55 . No. 8. P. 1341 1355 .