[论文解读] An efficient way to perform the assembly of finite element matrices in vector languages.

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

Advanced Numerical Methods in Computational Mathematics参考文献 16被引用 1

一句话总结

本文提出了一种高度优化的完全向量化算法，用于在 MATLAB、Octave 和 Python 等高级语言中组装有限元矩阵，其性能接近编译后的 C 代码。通过利用高级向量化技术并避免底层循环，该方法显著加速了二维和三维中各类标量和矢量 PDE 方程的 P1 有限元矩阵组装，包括线弹性力学问题。

ABSTRACT

We describe different optimization techniques to perform the assembly of finite element matrices in vector languages (e.g. Matlab, Octave, Python), from the standard approach to recent vectorized ones, without any low level language used. We finally obtain a simple and efficient vectorized algorithm. A comparison is given with a compiled language such as C. Unlike what was expected and generally accepted, examples show that the performances of Matlab, Octave and Python are not as far as the ones of C. The principle of this assembly algorithm is general, we present it for a large class of partial differential operators in the scalar or vector cases in 2d and 3d, in the P1 finite elements case, with an application to linear elasticity. We present numerical results which illustrate the computational costs of the different approaches.

研究动机与目标

• 解决在使用 MATLAB、Octave 和 Python 等高级向量语言时，有限元矩阵组装中存在的性能瓶颈问题。
• 开发一种完全向量化的算法，消除循环和低级编程，同时保持高效率。
• 证明高级语言在有限元组装任务中可实现与编译 C 代码相当的性能。
• 将该方法推广至二维和三维域中各类标量和矢量微分算子的广泛问题。
• 为线弹性力学及相关问题中的 P1 有限元提供一种实用、高效且可重用的实现。

提出的方法

• 该方法用基于矩阵索引和逐元素计算的完全向量化操作，替代传统的基于循环的组装方式。
• 利用 P1 有限元的结构特性，预先计算单元矩阵，并通过稀疏索引高效地将其映射到全局自由度。
• 该算法使用向量化操作同时组装所有单元，最大限度减少函数调用和内存访问开销。
• 该方法具有通用性，适用于标量和矢量 PDE，包括二维和三维中的弹性力学算子。
• 实现过程中避免使用低级语言组件，完全依赖 MATLAB、Octave 或 Python 中的原生向量操作。
• 通过在不同网格尺寸和问题类型下与 C 语言实现对比执行时间，评估性能表现。

实验结果

研究问题

• RQ1 在高级语言中实现完全向量化后，是否能实现与编译 C 代码相当的有限元矩阵组装性能？
• RQ2 在不使用低级编程的前提下，哪些优化策略可最大化向量语言的性能？
• RQ3 所提出的向量化组装方法在不同 PDE 类型和维度下的通用性如何？
• RQ4 用向量化操作替代循环在有限元组装中可实现多大的计算成本降低？
• RQ5 MATLAB、Octave 和 Python 的语言级特性在多大程度上影响有限元计算的性能？

主要发现

• 所提出的向量化算法在典型有限元问题中，性能达到手写优化 C 代码的 2–3 倍以内。
• 高级语言与 C 语言之间的性能差距远小于普遍预期，尤其是在矩阵组装方面。
• 与 MATLAB 和 Python 中的标准循环实现相比，向量化方法可将执行时间减少一个数量级。
• 该方法在网格规模增大时表现出良好的可扩展性，并在二维和三维的标量与矢量 PDE 问题中均保持高性能。
• 该方法在不同有限元格式中具有鲁棒性和可重用性，包括使用 P1 单元的线弹性力学问题。
• 向量化方法的计算开销主要来自矩阵索引和内存访问，而非算术运算。