手机版
你好,游客 登录 注册
背景:
阅读新闻

DifferentialEquations.jl v6.4.0 发布,用于微分方程高性能求解器的Julia套件

[日期:2019-05-11] 来源:Linux公社  作者:醉落红尘 [字体: ]

昨天,JuliaDiffeEq背后的团队发布了DifferentialEquations.jl v6.4.0,这是一个用于在Julia中数值求解微分方程的套件。此版本使用户能够在GPU上使用ODE求解器,自动工具可实现更快的广播,无矩阵Newton-Krylov,更好的雅可比重用算法,减少内存使用等。

DifferentialEquations.jl v6.4.0 发布,用于微分方程高性能求解器的Ju

DifferentialEquations.jl v6.4.0中有什么新功能?

ODE求解器中的完全GPU支持

在此版本中,僵硬的ODE求解器允许进行昂贵的计算,如神经ODE或PDE离散化,并利用GPU加速。此版本还允许初始条件为GPUArray,其中内部方法不执行任何索引,以允许在没有数据传输的情况下在GPU上进行所有计算。

快速DiffEq特定广播

此版本附带一个广播包装器,允许在微分方程求解器的内部结构中将各种信息传递给编译器。这使得一堆通常不可能的无混叠和大小调整的假设成为可能。这导致内部使用特殊的@ ..,它也比标准循环更快。

智能linsolve默认值

此版本附带更智能的linsolve默认值,可自动检测BLAS安装并利用RecursiveFactorizations.jl加速ODE的过程。

用户可以使用线性解算器自动切换到适用于稀疏雅可比行列式的表单。现在,GPU上的带状矩阵和雅可比矩阵也会自动处理。

通过自动分化自动化J*v产品

用户现在可以轻松使用GMRES,而无需构建完整的雅可比矩阵。用户可以简单地在v方向上使用方向导数来计算J*v。

性能改进

在此版本中,KenCarp4等所有隐式方法的性能都得到了改进。 DiffEqBiological.jl现在可以处理大型反应网络,并且可以更快地解析网络,并可以构建利用稀疏矩阵的雅可比行列式算法。虽然仍有很大的改进空间。

局部神经常微分方程

这个版本带来了很多改进,并且给出了局部神经常微分方程的工作实例的一瞥,这些方程是具有预先指定部分的方程。这些等式允许批量数据和GPU加速。

内存优化

此版本附带内存优化的低内存Runge-Kutta方法,用于双曲线或平流主导的偏微分方程。现在,这些方法具有该方法所需的最少数量的寄存器。大型PDE离散化现在可以使用DifferentialEquations.jl而不会降低内存效率。

强大的回调

该团队在此版本中引入了ContinuousCallback实现,增强了双事件检测的稳健性。

要了解有关此新闻的更多信息,请查看官方声明

Linux公社的RSS地址https://www.linuxidc.com/rssFeed.aspx

本文永久更新链接地址https://www.linuxidc.com/Linux/2019-05/158601.htm

linux
相关资讯       DifferentialEquations.jl 
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数

       

评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款