[论文解读] A user-guide to Gridap -- grid-based approximation of partial differential equations in Julia

Francesc Verdugo, Santiago Badia|arXiv (Cornell University)|Oct 3, 2019

Advanced Numerical Methods in Computational Mathematics参考文献 10被引用 6

一句话总结

Gridap 是一个高性能、开源的 Julia 有限元库，可让用户用极少且简洁的代码求解复杂的偏微分方程（PDE）。通过利用 Julia 的即时编译、多分派和惰性数据结构，Gridap 在保持高级脚本语言生产力的同时，实现了与 C/Fortran 相当的性能，如线性与非线性 PDE 教程所示，包括 Stokes 和 Navier-Stokes 问题。

ABSTRACT

We present Gridap, a new scientific software library for the numerical approximation of partial differential equations (PDEs) using grid-based approximations. Gridap is an open-source software project exclusively written in the Julia programming language. The main motivation behind the development of this library is to provide an easy-to-use framework for the development of complex PDE solvers in a dynamically typed style without sacrificing the performance of statically typed languages. This work is a tutorial-driven user guide to the library. It covers some popular linear and nonlinear PDE systems for scalar and vector fields, single and multi-field problems, conforming and nonconforming finite element discretizations, on structured and unstructured meshes of simplices and hexahedra.

研究动机与目标

• 通过在 PDE 模拟中统一高生产力与高性能，解决科学计算中的双语言问题。
• 提供一个用户友好、表达性强的框架，用于实现复杂的有限元方法，同时不牺牲性能。
• 使研究人员和学生能够利用 Julia 的高级语法高效地原型设计和部署先进的 PDE 求解器。
• 通过抽象低级组装和数据结构，减少有限元方法的开发时间和学习曲线。
• 为未来扩展奠定基础，包括并行化、自适应网格加密以及与高性能求解器的集成。

提出的方法

• 利用 Julia 的多分派和类型推断，在无需显式类型声明的情况下实现高性能。
• 使用惰性数据结构表示单元上的矩阵和向量，抽象掉组装循环。
• 通过直观的、类似 LaTeX 的语法定义弱形式，使其与数学符号高度一致。
• 通过高级抽象（如 TrialFESpace、TestFESpace 和 MultiFieldFESpace）实现多场和非线性问题。
• 利用内置的积分规则和三角剖分，在非结构化和结构化网格上构建变分形式。
• 通过模块化的 FESolver 接口与牛顿求解器和线搜索方法集成，用于求解非线性问题。

实验结果

研究问题

• RQ1 像 Julia 这样高级的、动态类型的语言能否在有限元 PDE 求解器中实现与 C++ 或 Fortran 等静态类型语言相当的性能？
• RQ2 如何抽象有限元组装的复杂性，以提高代码可读性和开发人员生产力？
• RQ3 Julia 中的多分派和函数式编程范式在多大程度上可用于设计高性能且可组合的有限元框架？
• RQ4 一个单一库能否以一致且简洁的语法同时支持 conforming 和 nonconforming 有限元，以及混合和多场公式？
• RQ5 科学软件库的设计在多大程度上可以最小化运行时开销，同时保持类型稳定性并支持高效的 JIT 编译？

主要发现

• Gridap 使得实现复杂的 PDE 问题（如 Stokes 方程和 Navier-Stokes 方程）成为可能，仅需极少且可读性强的代码，其形式与数学表达式高度一致。
• 该库通过 Julia 的即时编译以及精心设计的类型稳定性与动态内存分配减少策略，实现了高性能。
• 单元贡献的惰性求值使得组装循环得以抽象，显著简化了用户代码。
• 该框架支持单纯形和六面体的结构化与非结构化网格，以及 conforming 和 nonconforming 的有限元离散化。
• 非线性问题（包括 Navier-Stokes 方程）通过牛顿法高效求解，残差和雅可比矩阵通过高级函数定义自动生成。
• 教程示例中的结果（如速度场流线）证实了该框架在可视化和分析方面的正确性与可用性。