[论文解读] An efficient way to assemble finite element matrices in vector languages

François Cuvelier, Caroline Japhet+1 more|arXiv (Cornell University)|Jan 14, 2014

Matrix Theory and Algorithms参考文献 14被引用 4

一句话总结

本文提出了一种高度优化的向量化算法，用于在任意维度下使用高级向量语言（如 MATLAB、Octave、Python 和 Julia）组装有限元矩阵。通过使用高级稀疏矩阵操作并消除循环，同时利用对称性，所提出的 OptVS 算法在标量情况下性能达到 C 语言的 2.9 倍以内，在向量情况下达到 4.1 倍以内，表明当经过适当优化后，向量语言在有限元组装任务中可与编译语言相媲美。

ABSTRACT

Efficient Matlab codes in 2D and 3D have been proposed recently to assemble finite element matrices. In this paper we present simple, compact and efficient vectorized algorithms, which are variants of these codes, in arbitrary dimension, without the use of any lower level language. They can be easily implemented in many vector languages (e.g. Matlab, Octave, Python, Scilab, R, Julia, C++ with STL,...). The principle of these techniques is general, we present it for the assembly of several finite element matrices in arbitrary dimension, in the P1 finite element case. We also provide an extension of the algorithms to the case of a system of PDE's. Then we give an extension to piecewise polynomials of higher order. We compare numerically the performance of these algorithms in Matlab, Octave and Python, with that in FreeFEM++ and in a compiled language such as C. Examples show that, unlike what is commonly believed, the performance is not radically worse than that of C : in the best/worst cases, selected vector languages are respectively 2.3/3.5 and 2.9/4.1 times slower than C in the scalar and vector cases. We also present numerical results which illustrate the computational costs of these algorithms compared to standard algorithms and to other recent ones.

研究动机与目标

• 开发高效、可移植且可读性强的向量化算法，用于在任意维度下使用高级向量语言组装有限元矩阵。
• 克服科学计算环境中基于循环的矩阵组装所导致的性能瓶颈。
• 证明在 MATLAB、Octave 和 Python 等语言中实现的向量化实现可达到接近编译 C 代码的性能。
• 将该方法扩展至偏微分方程组和高阶有限元，确保其广泛适用性。

提出的方法

• 作者提出一种基于稀疏矩阵操作的向量化组装策略，用元素级数组运算和矩阵乘法替代嵌套循环。
• 核心技术利用全局索引映射和类似克罗内克积的操作，批量计算单元贡献，避免对单元显式循环。
• OptVS 算法利用矩阵对称性以减少冗余计算，提升效率并降低内存使用。
• 该方法被推广至任意维度，并扩展以处理具有变系数的 PDE 系统。
• 该方法使用大多数向量语言中可用的标准稀疏矩阵数据结构（如 CSR/CSC）。
• 该算法在多种语言和问题类型中进行了验证，包括 2D 和 3D 中的刚度矩阵和弹性刚度矩阵。

实验结果

研究问题

• RQ1 在 MATLAB、Octave 和 Python 等高级语言中，向量化算法能否在有限元矩阵组装任务中实现与编译 C 代码相当的性能？
• RQ2 基于循环与向量化的组装方法在计算复杂度和性能方面，如何随问题规模和维度的变化而变化？
• RQ3 在有限元方法中，对称性和稀疏矩阵操作能在多大程度上被利用以优化矩阵组装？
• RQ4 在实现相同优化算法时，MATLAB、Octave 和 Python 等不同向量语言之间的性能表现如何比较？
• RQ5 所提出的向量化策略能否推广至 PDE 系统和高阶有限元？

主要发现

• OptVS 算法实现了 O(n_dof) 的计算复杂度，使其在矩阵组装任务中渐近最优。
• 在最佳情况下，选定语言中的向量化实现仅比 C 语言慢 2.3 倍（标量问题），慢 2.9 倍（向量问题）。
• 对于 2D 刚度矩阵，基础实现版本在 Octave 中比 OptVS 版本慢最多 550 倍。
• 在不同语言中，OptV1 版本比 OptVS 慢 40 至 550 倍，凸显了向量化带来的性能提升。
• 向量语言与 C 语言之间的性能差距远小于普遍认知，尤其是在使用优化的稀疏矩阵操作时。
• 该方法可高效扩展至 3D 和高阶单元，对高阶 P1 有限元仅需少量修改即可支持。