Machine learning-driven conservative-to-primitive conversion in hybrid piecewise polytropic and tabulated equations of state
Semih Kacmaz, Roland Haas, E. A. Huerta
我们提出了一种新的机器学习(ML)方法来加速保守到原始的反转,专注于混合分段多热带和制表的状态方程。 传统的寻根技术在计算上是昂贵的,特别是对于大规模相对论流体力学模拟。 为了解决这个问题,我们使用前馈神经网络(NNC2PS和NNC2PL),在PyTorch中训练,并使用NVIDIA TensorRT针对GPU推理进行了优化,以最小的精度损失实现了显着的加速。 NNC2PS模型分别实现了4.54×10^-7和3.44×10^-6的L_1和L_∞误差,而NNC2PL模型则表现出更低的误差值。 与传统的寻根方法相比,具有混合精度部署的TensorRT优化大大加快了性能。 具体来说,用于NNC2PS的混合精度TensorRT引擎的推理速度比传统的单线程CPU实现速度快约400倍,数据集大小为1,000,000点。 在Delta超级计算机(Dual AMD 64核心2.45 GHz米兰处理器和8个具有40 GB HBM2 RAM和NVLink的NVIDIA A100 GPU)的整个计算节点上的理想并行化预测,在处理800万个数据点时,TensorRT将加快25倍。 此外,ML方法通过增加数据集大小表现出亚线性缩放。 我们发布了开发的科学软件,进一步验证和扩展我们的研究结果。 这项工作强调了ML与GPU优化和模型量化相结合的潜力,以加速相对论流体力学模拟中的保守到原始反转。
We present a novel machine learning (ML) method to accelerate conservative-to-primitive inversion, focusing on hybrid piecewise polytropic and tabulated equations of state. Traditional root-finding techniques are computationally expensive, particularly for large-scale relativistic hydrodynamics simulations. To address this, we employ feedforward neural networks (NNC2PS and NNC2PL), trained in PyTorch and optimized for GPU inference using NVIDIA TensorRT, achieving significant speedups with minim...