МЕТОД ГЛАВНЫХ КОМПОНЕНТ И ОПТИМИЗАЦИЯ ПАКЕТОВ ФИЗИЧЕСКОГО МОДЕЛИРОВАНИЯ С ПОМОЩЬЮ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Аннотация

В статье показано, что исследования в области физики высоких энергии (ФВЕ) и ядерной физики невозможны без использования больших вычислительных мощностей и специального программного обеспечения для обработки, моделирования и анализа данных. Объединение классической реализации эволюционных алгоритмов вместе с методами машинного обучения без учителя создает мощный подход, который позволяет эффективно оптимизировать производительность сложных приложений, таких как високопаралельни приложения для моделирования транспорта частиц в сложных детекторах, зависит от большого количества коррелированных параметров. Этот подход можно применить для оптимизации других пакетов программного обеспечения. Во время работы был проведен анализ программного обеспечения, которое используется для симуляции (моделирование) прохождение элементарных частиц через материю при обработке экспериментов в ЦЕРН на Большом Андрон Коллайдере, в частности, программного пакета нового поколения GeantV. Анализ позволил определить главные факторы (размер памяти, объем данных, время работу, количество инструкций как фитнес-функции и количество физических событий, количество буферованих физических событий, количество нитей и количество препараторов), влияющие на производительность вычислений и могут быть использованы для стохастической оптимизации производительности пакета симуляции, а также выявить узкие места в функциональной модели GeantV.Вперше предложен новый генетический оператор (НГК-оператор), который построен на основе метода нецентрированного главных компонент, и выполнен интеграцию НГК-оператора в типовой генетический алгоритм, используемый для оптимизации программного пакета GeantV. Исследования показали, что для GeantV общее время выполнения Батч симуляций сократился с помощью предложенного модифицированного генетического алгоритма, что и требовалось доказать.