Comparando Métodos de Aprendizagem Profunda para a Seleção de Precondicionadores
DOI:
https://doi.org/10.5540/03.2026.012.01.0262Keywords:
computação de alto desempenho (HPC), sistemas lineares esparsos, métodos iterativos, escolha de precondicionadores, rede neural convolucional, classificação multi-classeAbstract
Em computação de alto desempenho (HPC), a solução eficiente de grandes sistemas lineares esparsos é fundamental, sendo os métodos iterativos a escolha predominante, cuja performance está ligada ao precondicionador escolhido. Apresentamos uma representação da esparsidade de matrizes por meio de imagens RGB. Utilizando uma rede neural convolucional (CNN), a tarefa de seleção do precondicionador se transforma em um problema de classificação multi-classe. Testes com 126 matrizes da coleção SuiteSparse enfatizam a adequação do modelo CNN, observando um aumento de 32% na acurácia e uma redução de 25% no tempo de execução.
Downloads
References
J. Ackmann et al. Machine-Learned Preconditioners for Linear Solvers in Geophysical Fluid Flows. 2020. doi: 10.48550/arXiv.2010.02866.
S. Balay et al. PETSc/TAO Users Manual. Rel. técn. ANL-21/39 - Revision 3.20. Argonne National Laboratory, 2023. doi: 10.2172/1968587.
M. Barreda et al. “Performance modeling of the sparse matrix–vector product via convolutional neural networks”. Em: The Journal of Supercomputing 76.11 (2020), pp. 8883–8900. doi: 10.1007/s11227-020-03186-1.
F. Chollet et al. Keras. Acessado em 01/09/2023, https://keras.io. 2015.
L. Gasparini et al. “Hybrid parallel iterative sparse linear solver framework for reservoir geomechanical and flow simulation”. Em: Journal of Computational Science 51 (2021), p. 101330. issn: 1877-7503. doi: 10.1016/j.jocs.2021.101330.
M. Götz et al. “Machine learning-aided numerical linear algebra”. Em: 2018 IEEE/ACM 9th ScalA. IEEE. 2018, pp. 49–56. doi: 10.1109/ScalA.2018.00010.
I. Guyon et al. “An introduction to feature extraction”. Em: Feature extraction: foundations and applications. Springer, 2006, pp. 1–25. doi: 10.1007/978-3-540-35488-8_1.
S. P. Kolodziej et al. “The SuiteSparse Matrix Collection Website Interface”. Em: Journal of Open Source Software 4.35 (2019), p. 1244. doi: 10.21105/joss.01244.
S. B. Kotsiantis et al. “Supervised Machine Learning”. Em: Emerging Artificial Intelligence Applications in Computer Engineering. Ed. por I. Maglogiannis. Vol. 160. Frontiers in Artificial Intelligence and Applications. Amsterdam: IOS Press, 2007, pp. 3–24. isbn: 9781586037802.
Z. Li et al. “A survey of convolutional neural networks: analysis, applications, and prospects”. Em: IEEE Trans. on neural net. and learn. sys. 33.12 (2022), pp. 6999–7019. doi: 10.1109/TNNLS.2021.3084827.
M. Abadi et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Acessado em 01/09/2023, https://www.tensorflow.org. 2015. doi: 10.5555/1953048.2078195.
F. Pedregosa et al. “Scikit-learn: Machine Learning in Python”. Em: Journal of Machine Learning Research 12.85 (2011), pp. 2825–2830. url: http://jmlr.org/papers/v12/pedregosa11a.html.
W. Rawat et al. “Deep Convolutional Neural Networks for Image Classification”. Em: Neural Computation 29.9 (2017), pp. 2352–2449. doi: 10.1162/neco_a_00990.
Y. Saad. Iterative methods for sparse linear systems. SIAM, 2003. isbn: 978-0-89871-534-7.
M. Souza et al. A Comparison of Image and Scalar-Based Approaches in Preconditioner Selection. 2023. doi: 10.48550/arXiv.2312.15747.
K. Yamada et al. “Preconditioner auto-tuning using deep learning for sparse iterative algorithms”. Em: 2018 Sixth CANDARW. IEEE. 2018, pp. 257–262. doi: 10.1109/CANDARW.2018.00055.
