一种基于国产加速卡的反应堆中子输运计算方法

    公开(公告)号:CN110704106A

    公开(公告)日:2020-01-17

    申请号:CN201910957444.7

    申请日:2019-10-09

    Abstract: 本发明的实施例提供了一种基于特征线法在国产加速卡实现反应堆中子输运计算的加速方法,该计算加速方法针对反应堆物理关键计算技术与方法进行加速,包括基于确定论的特征线法解决中子输运方程计算理论的程序表达与计算程序相关物理模型实现,使用OpenMP+MPI实现运算程序并行性,基于开源OpenMOC计算平台,对计算加速相关关键代码进行移植与改进,匹配并适应国产加速卡。从而达到如下的良好效果:匹配并适应国产加速卡,有效利用国产加速卡的能力达到良好的加速效果;在保证计算精度与准确性的前提下,又提供了丰富的硬件兼容性与可扩展性;实现运算的并行性,中子输运方程计算需要大量计算资源,这使得计算可在高性能计算机大规模部署,进一步保证了计算的高速可靠。

    一种稀疏矩阵向量乘运算时间预测方法及系统

    公开(公告)号:CN111914213B

    公开(公告)日:2023-11-10

    申请号:CN202010759916.0

    申请日:2020-07-31

    Abstract: 本发明涉及一种稀疏矩阵向量乘运算时间预测方法及系统,其中,方法包括以下步骤:构建卷积神经网络,卷积神经网络包括输入层、特征处理层、数据拼接层以及输出层,其中,输入层用于输入稀疏矩阵中的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征;特征处理层用于提取上一层中的特征;数据拼接层,用于对提取的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征进行拼接;输出层用于输出预测结果;获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据,将样本数据输入至卷积神经网络以实现对卷积神经网络的训练;将待分类的稀疏矩阵输入至训练完成的卷积神经网络,实现稀疏矩阵向量乘运算时间的预测。

    一种基于国产加速卡的反应堆中子输运计算方法

    公开(公告)号:CN110704106B

    公开(公告)日:2021-02-26

    申请号:CN201910957444.7

    申请日:2019-10-09

    Abstract: 本发明的实施例提供了一种基于特征线法在国产加速卡实现反应堆中子输运计算的加速方法,该计算加速方法针对反应堆物理关键计算技术与方法进行加速,包括基于确定论的特征线法解决中子输运方程计算理论的程序表达与计算程序相关物理模型实现,使用OpenMP+MPI实现运算程序并行性,基于开源OpenMOC计算平台,对计算加速相关关键代码进行移植与改进,匹配并适应国产加速卡。从而达到如下的良好效果:匹配并适应国产加速卡,有效利用国产加速卡的能力达到良好的加速效果;在保证计算精度与准确性的前提下,又提供了丰富的硬件兼容性与可扩展性;实现运算的并行性,中子输运方程计算需要大量计算资源,这使得计算可在高性能计算机大规模部署,进一步保证了计算的高速可靠。

    一种稀疏矩阵向量乘运算时间预测方法及系统

    公开(公告)号:CN111914213A

    公开(公告)日:2020-11-10

    申请号:CN202010759916.0

    申请日:2020-07-31

    Abstract: 本发明涉及一种稀疏矩阵向量乘运算时间预测方法及系统,其中,方法包括以下步骤:构建卷积神经网络,卷积神经网络包括输入层、特征处理层、数据拼接层以及输出层,其中,输入层用于输入稀疏矩阵中的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征;特征处理层用于提取上一层中的特征;数据拼接层,用于对提取的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征进行拼接;输出层用于输出预测结果;获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据,将样本数据输入至卷积神经网络以实现对卷积神经网络的训练;将待分类的稀疏矩阵输入至训练完成的卷积神经网络,实现稀疏矩阵向量乘运算时间的预测。

Patent Agency Ranking