📖 Нейронные сети в задачах предикции, возникающих в программировании. Применение в целях оптимального распараллеливания программ численного моделирования.

Работа посвящена применению линейных персептронов и полиномиальных моделей для предикции при параллельном программировании задач численного моделирования процессов в сплошных средах. Предложены подходы к предикции данных (на базе линейных каналов-предикторов или экстраполяцинных полиномов) на стыках блоков расчетной области при использовании геометрического параллелизма. Данный подход позволяет устранить/оптимизировать часть обменов данными. Сформулирован новый, более эффективный алгоритм балансировки загрузки процессоров с применением точечной/линейной предикции времени счета. Введено понятие метаслоя программы (фонового предиктора данных и времени исполнения), намечено его применение для выбора последовательного/параллельного алгоритма, "копирования" математических алгоритмов "на лету" для построения предикторов при решении задач моделирования. Предложены предицирующие каналы, решающие те же задачи, а также задачи предикции данных, скрытого перехода от явных разностных схем к распараллеленным неявным. Предложена идея параллельных сверхоптимистичных вычислений на предицирующих каналах в частично транзакционной памяти, позволяющая получить дополнительное ускорение счета.