TY  - THES
AB  - Rechnergestützte Wissenschaften spielen in vielen Disziplinen eine wachsende Rolle. Dies gilt besonders in der Computerchemie, wo mit Hilfe großer computergestützter Simulationen Einblicke in chemische Bindungen und den Aufbau von Molekülen und Festkörpern gewonnen werden. Um heutige Hochleistungsrechner für solche Simulationen effektiv zu nutzen, müssen die Rechnungen auf Tausenden von Rechenknoten parallelisiert werden. Außerdem gewinnt die Nutzung von Beschleunigern, wie GPUs und FPGAs, zunehmend an Bedeutung. Diese Arbeit behandelt diese beiden Herausforderungen im Kontext von Ab-Initio Molekulardynamik (AIMD) und linear skalierender Dichtefunktionaltheorie. Um eine massiv parallele Ausführung zu erreichen und die effektive Nutzung von Beschleunigern zu ermöglichen, führen wir gezielt Approximationen ein und führen Rechnungen mit geringer Präzision aus. Wir untersuchen iterative Algorithmen zur Berechnung inverser p-ter Wurzeln und der Signumfunktion von Matrizen und demonstrieren ihre Robustheit gegen Fehler, die durch Rechnungen mit geringer Präzision eingeführt werden. Um diese Algorithmen für dünn besetzte Matrizen außerdem massiv zu parallelisieren, führen wir die Submatrix-Methode ein. Diese approximative Methode verteilt Operationen auf dünn besetzten Matrizen auf eine große Anzahl von Rechenknoten und Beschleunigern. Somit können diese Rechnungen große, heterogene Hochleistungsrechner sowie ihre Beschleuniger effektiv nutzen. Wir demonstrieren die praktische Integration der vorgestellten Methoden in den Open Source Quantenchemie-Code CP2K und binden sowohl GPUs als auch FPGAs in einer hoch skalierbaren Art ein. Damit wird die Grundlage geschaffen, AIMD-Simulationen effizient auf modernen, heterogenen Hochleistungsrechnern auszuführen und auf größere Moleküle anzuwenden.
AU  - Laß, Michael
CY  - Paderborn
DA  - 2022
DO  - 10.17619/UNIPB/1-1281
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 25.01.2022
N1  - Universität Paderborn, Dissertation, 2022
PB  - Veröffentlichungen der Universität
PY  - 2022
SP  - 1 Online-Ressource (xi, 112 Seiten)
T2  - Institut für Informatik
TI  - Bringing Massive Parallelism and Hardware Acceleration to Linear Scaling Density Functional Theory Through Targeted Approximations
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-40404
Y2  - 2026-01-13T01:15:31
ER  -