이 연구에서는 상대론적 전자 드리프트-운동론 모델에 대한 새로운 확장 가능한 완전 암시적 솔버를 개발하였다. 이 솔버는 유한 체적 및 보존적 유한 차분 기법과 동적 메시 적응성을 활용한다.
새로운 데이터 관리 프레임워크인 DMBF(Data Management for Block-structured Forest-of-trees)를 PETSc 라이브러리에 개발하여 동적 적응형 메시 세분화(AMR), 분산 메모리 병렬화, 계산 작업의 동적 부하 균형을 가능하게 하였다.
이 프레임워크와 이를 기반으로 한 러너웨이 전자 솔버는 저에너지 영역의 벌크 맥스웰 분포와 고에너지 영역의 러너웨이 꼬리를 모두 동적으로 포착할 수 있다.
AMR 알고리즘을 통해 특징을 효과적으로 포착하기 위해, 솔루션의 암시적 시간 진화와 병행하여 수행되는 새로운 AMR 지표 예측 전략을 제안하였다. 이 전략은 계산적으로 저렴한 특징 기반 AMR 지표를 도입하여 보완되었다.
다양한 벤치마크 문제를 통해 모델 매개변수에 대한 강건성, 알고리즘 확장성, 병렬 확장성을 입증하였다. 특히 암시적 시간 진행과 AMR의 장점을 러너웨이 전자 시뮬레이션에 적용하는 데 초점을 맞추었다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問