বৈজ্ঞানিক কম্পিউটিংয়ে এমন কোন বিখ্যাত সমস্যা / অ্যালগরিদম আছে যা সমান্তরালভাবে বাড়াতে পারে না? চুদা বই পড়ার সময় আমার কাছে মনে হয় বেশিরভাগ জিনিসই হতে পারে।
বৈজ্ঞানিক কম্পিউটিংয়ে এমন কোন বিখ্যাত সমস্যা / অ্যালগরিদম আছে যা সমান্তরালভাবে বাড়াতে পারে না? চুদা বই পড়ার সময় আমার কাছে মনে হয় বেশিরভাগ জিনিসই হতে পারে।
উত্তর:
আমদাহলের আইন গ্রুক করে শুরু করুন । মূলত বিপুল সংখ্যক ক্রমিক পদক্ষেপ সহ যে কোনও কিছুই সমান্তরালতা থেকে তুচ্ছভাবে উপকৃত হবে। কয়েকটি উদাহরণের মধ্যে পার্সিং, রেজেক্স এবং সর্বাধিক উচ্চ-অনুপাতের সংক্ষেপণ অন্তর্ভুক্ত রয়েছে।
এ ছাড়াও মূল সমস্যাটি মেমরির ব্যান্ডউইদথের প্রায়শই একটি বাধা হয়ে দাঁড়ায়। বিশেষত বেশিরভাগ জিপিইউর সাথে আপনার তাত্ত্বিক ফ্লপগুলি আপনি আপনার এএলইউতে যে পরিমাণ ফ্লোটিং পয়েন্ট সংখ্যা পেতে পারেন তার পরিমাণকে ছাড়িয়ে যায়, যেমন কম গাণিতিক তীব্রতার (যেমন ফ্লপ / ক্যাশে-মিস) অ্যালগরিদমগুলি র্যামের অপেক্ষায় বেশিরভাগ সময় ব্যয় করবে।
শেষ অবধি, যে কোনও সময় কোনও টুকরো কোডের শাখা প্রশাখার প্রয়োজন হয়, এএলইউর সাধারণত যুক্তি ছাড়িয়ে যাওয়ায় এটি ভাল পারফরম্যান্স পাওয়ার সম্ভাবনা কম।
উপসংহারে, কোনও জিপিইউর থেকে দ্রুত গতি অর্জন করা যে কোনও কঠিন বিষয়টির একটি সহজ উদাহরণ হ'ল সহজেই পূর্ণসংখ্যার অ্যারেতে শূন্যের সংখ্যা গণনা করা হয়, কারণ আপনাকে প্রায়শই শাখা করতে হতে পারে, সর্বাধিক 1 টি ক্রিয়াকলাপ সম্পাদন করা হয় (দ্বারা বৃদ্ধি এক) আপনি যদি শূন্য খুঁজে পান এবং অপারেশন অনুযায়ী কমপক্ষে একটি মেমরি আনতে পারেন।
ব্রাঞ্চিং সমস্যা থেকে মুক্ত একটি উদাহরণ হ'ল কোনও ভেক্টর গণনা করা যা অন্য ভেক্টরের সংখ্যার যোগফল। ([1,2,1] -> [1,3,4])
আমি জানি না যে এইগুলি "বিখ্যাত" হিসাবে গণ্য হয়েছে তবে অবশ্যই এখানে প্রচুর সমস্যা রয়েছে যে সমান্তরাল কম্পিউটিং আপনাকে সহায়তা করবে না।
একনোনাল সমীকরণ সমাধানের জন্য (বিখ্যাত) দ্রুত মার্চিং পদ্ধতিটি সমান্তরালভাবে দ্রুত গতিতে পারে না। একনোনাল সমীকরণ সমাধানের জন্য অন্যান্য পদ্ধতি (উদাহরণস্বরূপ দ্রুত স্যুইপিং পদ্ধতি) রয়েছে যা প্যারালালাইজেশনের জন্য আরও অনুকূল but তবে এখানেও (সমান্তরাল) স্পিডআপের সম্ভাবনা সীমাবদ্ধ।
একোনাল সমীকরণের সমস্যাটি হ'ল তথ্য প্রবাহ সমাধানের উপর নির্ভর করে। আলগাভাবে বলতে গেলে, তথ্যগুলি বৈশিষ্ট্যগুলি বরাবর প্রবাহিত হয় (অর্থাত আলোকসজ্জাগুলিতে আলোক রশ্মি), তবে বৈশিষ্ট্যগুলি সমাধানের উপর নির্ভর করে। এবং বিযুক্ত একনোনাল সমীকরণের তথ্যের প্রবাহ আরও খারাপ, অতিরিক্ত সমীকরণ প্রয়োজন (যেমন দ্রুত পরিষ্কার পদ্ধতিতে স্পষ্টভাবে উপস্থিত) যদি কোনও সমান্তরাল গতিপথ পছন্দ হয় তবে।
সমান্তরালকরণের জন্য অসুবিধাগুলি দেখতে, সেথিয়ানের ওয়েবপৃষ্ঠায় থাকা কয়েকটি উদাহরণের মতো একটি দুর্দান্ত গোলকধাঁধা কল্পনা করুন । গোলকধাঁধা (সম্ভবত) মাধ্যমে সংক্ষিপ্ততম পথের কক্ষগুলির সংখ্যা সংশ্লিষ্ট সমস্যা সমাধানের জন্য যে কোনও (সমান্তরাল) অ্যালগরিদমের ন্যূনতম পদক্ষেপ / পুনরাবৃত্তির জন্য একটি নিম্ন সীমাবদ্ধ।
(আমি লিখি "(সম্ভবত) হ'ল", কারণ নিম্নের সীমাটি প্রমাণ করা কুখ্যাতভাবে কঠিন এবং প্রায়শই একটি অ্যালগরিদম দ্বারা ব্যবহৃত অপারেশনগুলির জন্য কিছু যুক্তিসঙ্গত অনুমানের প্রয়োজন হয়।)
অনুশীলনের সাথে সমান্তরাল করা আরও শক্তিশালী আরও একটি সমস্যা হ'ল গোলাকৃতি ত্রুটির সংবেদনশীল সমস্যা, যেখানে সিরিয়ালাইজেশন দ্বারা সংখ্যার স্থায়িত্ব অর্জন করা হয়।
উদাহরণস্বরূপ গ্রাম-শ্মিট প্রক্রিয়া এবং এর ক্রমিক পরিবর্তনটি বিবেচনা করুন। অ্যালগোরিদম ভেক্টরগুলির সাথে কাজ করে, সুতরাং আপনি সমান্তরাল ভেক্টর অপারেশন ব্যবহার করতে পারেন, তবে এটি ভাল স্কেল হয় না। যদি ভেক্টরের সংখ্যা বড় হয় এবং ভেক্টরের আকার ছোট হয় তবে সমান্তরাল ক্লাসিকাল গ্রাম – শ্মিট ব্যবহার করে এবং পুনর্গঠনটি একক পরিবর্তিত গ্রাম – শ্মিটের চেয়ে স্থিতিশীল এবং দ্রুত হতে পারে, যদিও এতে কয়েকগুণ বেশি কাজ করা জড়িত।