计算科学

该meta似乎暗示职业建议是可以的。。。所以这里去。 我在ML和数学建模领域有几个密友，刚完成博士学位并开始求职。尽管两者都很有才华，但都没有兴趣留在学术界。 除了我一直以来最幸运的个人推荐和交流，是否有任何资源/网站/聚合器可以帮助某人在该地区寻找工作？

15 career-development 

我的研究小组专注于分子动力学，分子动力学显然可以生成千兆字节的数据作为单个轨迹的一部分，然后必须对其进行分析。 我们关注的几个问题涉及数据集中的相关性，这意味着我们需要跟踪内存中的大量数据并对其进行分析，而不是使用更多的顺序方法。 我想知道的是将大型数据集的I / O处理为脚本的最有效策略是什么。我们通常使用基于Python的脚本，因为它使对文件I / O的编码比使用C或Fortran的痛苦少得多，但是当我们有成千上万的行需要处理时，尚不清楚最好的方法是什么。我们应该考虑使用C语言编写文件输入部分，还是另一种策略更有用？（简单地将整个数组预加载到内存中会比一系列顺序读取“块”（兆字节）更好吗？ 一些附加说明： 因此，我们主要是在寻找用于后处理的脚本工具，而不是“在线”工具-因此要使用Python。 D = 16林Δ 吨→交通∞⟨ （X（吨+ Δ 吨）- X（吨））2⟩d=1个6林ΔŤ→∞⟨（X（Ť+ΔŤ）-X（Ť））2⟩D = \frac{1}{6} \lim_{\Delta t \rightarrow \infty} \left< \left( {\bf x}(t + \Delta t) - {\bf x}(t) \right)^2 \right>

15 python  c  efficiency 

基于多级基于逆的ILU预处理器的串行性能给我留下了深刻的印象，特别是对于异构Helmholtz而言，但我为找不到任何开源实现而感到惊讶。特别是，ILUPACK使二进制文件可免费供学者使用，但看来他们并未发布源代码。 真的没有人开源实现的情况吗？

15 pde  algorithms  linear-solver  libraries  preconditioning 

抱歉，很长的帖子，但我想一开始就包括我认为相关的所有内容。 我想要的是 我正在实现用于稠密矩阵的Krylov子空间方法的并行版本。主要是GMRES，QMR和CG。我（剖析后）意识到我的DGEMV例程是可悲的。因此，我决定通过隔离来集中精力解决这一问题。我尝试在12核计算机上运行它，但以下结果是4核Intel i3笔记本电脑的结果。趋势差异不大。 我的KMP_AFFINITY=VERBOSE输出在这里。 我写了一个小代码： size_N = 15000 A = randomly_generated_dense_matrix(size_N,size_N); %Condition Number is not bad b = randomly_generated_dense_vector(size_N); for it=1:n_times %n_times I kept at 50 x = Matrix_Vector_Multi(A,b); end 我相信这可以模拟CG进行50次迭代的行为。 我尝试过的 翻译 我最初是用Fortran编写代码的。我将其翻译为C，MATLAB和Python（Numpy）。不用说，MATLAB和Python太可怕了。令人惊讶的是，对于上述值，C比FORTRAN好一到两秒。一致。 剖析 我分析了要运行的代码，并且运行了46.075几秒钟。这是将MKL_DYNAMIC设置为FALSE并且使用了所有内核的时候。如果我将MKL_DYNAMIC设置为true，则在任何给定时间点仅使用（大约）一半数量的内核。以下是一些详细信息： Address Line Assembly CPU Time 0x5cb51c mulpd %xmm9, %xmm14 36.591s 最耗时的过程似乎是： Call Stack …

15 parallel-computing  matrix  lapack  blas 

我在读这在数学SE。基本问题是： 假设有人希望学习高级的东西；一种方法是从基础开始并逐步建立。但是“大局”可能会在此过程中迷失方向。另一种方法（我更喜欢将其称为“递归Wiki”）是拿起一篇论文，然后用Google / Wiki读一个人们不理解的术语。阅读它们。其中将包含新术语。Google / Wiki，直到您完全了解该材料的“基本情况”为止。向后工作，直到您完全了解纸张。重复其他论文。这将在保持动力的同时获得知识。但是，这可能会导致基本问题。 它基于斯坦福大学Vakil教授的文章。这是节选： .....数学是如此的丰富和无限，以至于不可能系统地学习它，而且如果您在继续学习下一个主题之前等待一个主题，那么您将无所适从。相反，您将拥有远远超出您的舒适范围的知识卷须。然后，您可以稍后从这些卷须回填，并扩展您的舒适范围；这比学习“前进”要容易得多。（警告：此回填是必需的..... 反对该方法的人普遍认为，对于像代数几何这样的领域（每个季度发表100篇论文）或String Theory研究（如果您尝试在接触String Theory之前建立数学基础）的领域，就可以了。 80与阿尔茨海默氏症。我的问题是：这是学习CompSci的好策略吗？ 由于Comp Sci的跨学科性强（通常，工程师必须同时了解数学和计算机知识），这样的递归学习模式是否足以进行学术研究？还是传统模式太好了，无法替代？ 例如，我需要了解0操作系统知识，了解转换后备缓冲区（TLB）。 我的递归路径（根据维基百科）是： TLB&gt;缓存&gt;（返回）TLB&gt;页面表&gt;（返回）TLB&gt;虚拟地址&gt;（返回）TLB&gt;重新读取。完成 我觉得我知道TLB是什么，如果再次遇到它，我会知道会发生什么。我在欺骗自己吗？

15 education  reference-request 

我对区间算术（IA）有一个非常基本的概念，但是从理论上和实践上看来，它都是计算科学中非常有趣的分支。显然，显而易见的应用是经过验证的计算和不适定的问题，但这太抽象了。由于这里有很多人参与应用计算，因此我对没有IA很难解决或无法解决的现实问题感到好奇。

15 reference-request 

我有一个大小为mxm的线性方程组，其中m大。但是，我感兴趣的变量只是前n个变量（与m相比，n很小）。有没有一种方法可以近似地求解前m个值，而不必求解整个系统？如果是这样，这种近似方法是否比求解整个线性系统更快？

15 linear-algebra  approximation 

据我所知，多网格求解器使用迭代平滑器（例如Jacobi，Gauss-Seidel和SOR）来衰减各种频率下的误差。可以使用Krylov子空间方法（例如共轭梯度，GMRES等）代替吗？我不认为它们被归类为“平滑剂”，但是它们可以用于近似粗网格解决方案。我们可以期望看到与标准多网格方法类似的解决方案收敛吗？还是取决于问题？

15 linear-algebra  multigrid  iterative-method  krylov-method 

有一个线性约束系统。我希望找到一个满足这些约束的严格正向量。这意味着，所需的每个组件的{\ BF X} 。如何使用LP解算器找到这样一个严格的正向量{\ bf x}（或确认不存在 {\ bf x}）？我不能简单地引入另一个约束x_i&gt; 0的系统，因为必须始终在LP中允许相等性，但是我可以多次使用LP解算器，并更改目标函数。我认为我应该使用松弛变量方法，但我不知道如何。X &gt; 0 X 我 &gt; 0 X 我X X X X 我 &gt; 0Ax≤bAx≤b{\bf Ax} \leq {\bf b}x&gt;0x&gt;0{\bf x} > 0xi&gt;0xi&gt;0x_i > 0xixix_ixx{\bf x}xx{\bf x}xx{\bf x}xi&gt;0xi&gt;0x_i > 0

15 optimization  linear-programming 

我正在尝试通过有限差分来求解2D泊松方程。在此过程中，我获得了每个方程式中只有变量的稀疏矩阵。例如，如果变量为U，则离散化将产生：555UUU Ui−1,j+Ui+1,j−4Ui,j+Ui,j−1+Ui,j+1=fi,jUi−1,j+Ui+1,j−4Ui,j+Ui,j−1+Ui,j+1=fi,jU_{i-1,j} + U_{i+1,j} -4U_{i,j} + U_{i,j-1} + U_{i,j+1} = f_{i,j} 我知道我可以通过迭代方法求解该系统，但是我想到，如果我对变量进行适当排序，我也许能够获得可以通过直接方法（即高斯消去w）求解的带状矩阵。 / o旋转）。这可能吗？是否有其他策略可用于其他结构较疏的稀疏系统呢？

15 linear-algebra  pde  finite-difference  sparse-matrix  banded-matrix 

我对有限元方法进行了基本介绍，但并未强调对“弱公式”的深入理解。我了解到，通过galerkin方法，我们将（椭圆形）PDE的两边乘以一个测试函数，然后进行积分（按部分或通过散度定理）。有时，在得出适当的弱公式（基于书后的答案）之前，我需要进行两次部分积分。但是，当我尝试将相同的概念应用于其他PDE时（可以说它们仍然与时间无关），我似乎无法识别该公式何时适合离散化。是否有任何“危险信号”可以告诉我该形式可以离散为线性方程组？ 此外，如何选择一组适当的基础函数？

15 pde  finite-element 

在实践中，使用哪些方法来估计大型稀疏矩阵的条件数？

15 linear-algebra  matrix  conditioning 

我有一个PETSc，Mat并想估计其条件编号。

15 petsc  linear-algebra 

标准的多重网格和域分解方法不起作用，但是我遇到了很多3D问题，并且直接求解器不是一种选择。我应该尝试什么方法？ 我的选择如何受到以下注意事项的影响？ 系数在几个数量级上变化，或者 使用有限元与有限不同方法

15 pde 

具体来说，我想扩展涉及B3LYP的工作，该工作从高斯03开始，但继续到GAMESS-US。默认的B3LYP方法提供的能量是不同的。GAMESS-US手册（“更多信息”部分）中对此进行了讨论： 请注意，GAMESS中的B3LYP部分基于VWN5电子气相关函数。由于在VWN论文中提到了五个具有两个可能的参数化的公式，它们涉及局部相关性，因此其他程序可能会使用其他选择，从而生成不同的B3LYP能量。例如，NWChem的手册说它默认使用“带有RPA参数的VWN 1功能，而不是规定的Monte Carlo参数”。如果您希望在B3LYP混合动力中使用此VWN1公式，只需选择“ DFTTYP = B3LYP1”。 它说GAMESS和NWCHEM之间的默认值不同，并且可以选择让GAMESS进行与NWCHEM默认情况下相同的计算。 如何使G03和GAMESS B3LYP计算值达成一致？ 各种软件包的B3LYP的默认实现及其功能之间有什么区别，即可以调整其B3LYP定义/实现吗？

15 computational-chemistry  density-functional-theory