Eine portable HPC-Toolbox zur Simulation und Inversion von Wellenfeldern


Das Ziel des Vorhabens ist die Entwicklung einer HPC-Toolbox, mit der akustische/elastische Wellen simuliert und invertiert werden können. Anwendungsgebiete liegen hier zunächst in der Geophysik, sind aber direkt auf die Ultraschallmedizin und andere Bereiche möglich. Die Simulation und Inversion der Ausbreitung von akustischen Wellen ist ein typisches Anwendungsfeld im Bereich des HPC. In der Regel wird es mit Hilfe von expliziten Finite-Differenzen (FD) Verfahren gelöst. In WAVE werden etablierte FDVerfahren weiterentwickelt und portiert. Dazu wird eine adaptive Diskretisierung eingeführt, die eine in komplexen Modellstrukturen notwendige höhere Abtastung und damit eine effizientere Simulation und Inversion realistischer Problemstellungen ermöglicht. Die unausgewogene Verteilung der Rechenlast wird durch Lastbalancierung ausgeglichen. Dabei wird die zunehmende Heterogenität zukünftiger HPC-Systeme berücksichtigt. Durch die geplante Erweiterung einer Bibliothek für numerische Algorithmen und Datenstrukturen entsteht eine freie HPC-Toolbox zur skalierbaren Wellensimulation und Inversion auf räumlich variablen Gittern, die sich einfach auf verschiedene Rechnerarchitekturen portieren lässt. Die praktische Erprobung der HPC-Toolbox erfolgt am Beispiel seismischer Explorationsmessdaten.


Sprecher/in
Meyerhenke, Henning Prof. Dr. (Details) (Modellierung und Analyse komplexer Systeme)

Laufzeit
Projektstart: 02/2016
Projektende: 07/2019

Forschungsbereiche
Massiv parallele und datenintensive Systeme

Forschungsfelder
Informatik

Publikationen
Eugenio Angriman, Alexander van der Grinten, Moritz von Looz, Henning Meyerhenke, Martin Nöllenburg, Maria Predari, Charilaos Tzovas (2019). Guidelines for Exp erimental Algorithmics: A Case Study in Network Analysis. Algorithms 12(7): 127 (2019).

Roland Glantz, Maria Predari, Henning Meyerhenke (2018). Topology-induced Enhancement of Mappings. In: Proc. 47th Intl. Conf. on Parallel Processing (ICPP): 9:1-9:10.

Moritz von Looz, Charilaos Tzovas, Henning Meyerhenke (2018). Balanced k-means for Parallel Geometric Partitioning. In: Proc. 47th Intl. Conf. on Parallel Processing (ICPP): 52:1-52:10.

David A. Bader, Andrea Kappes, Henning Meyerhenke, Peter Sanders, Christian Schulz, Dorothea Wagner (2018). Benchmarking for Graph Clustering and Partitioning. Encyclopedia of Social Network Analysis and Mining. 2nd ed., Springer-Verlag.

Zuletzt aktualisiert 2021-21-09 um 00:05