SciML/DiffEqGPU.jl

What it solves

DiffEqGPU.jl は、GPU 上で微分方程式の求解を加速するためのインフラストラクチャを提供します。これは、計算コストの高い ODE ソルバーの問題、具体的には、非常に大規模な方程式系を扱う場合、または数千もの異なる初期条件やパラメータ（アンサンブル・シミュレーション）にわたって同じ方程式を解く必要がある場合に対処します。

How it works

このライブラリは、2 つの異なる加速パスを実装しています：

1. Within-Method Parallelism: 状態ベクトル u が非常に大規模な場合の大きな ODE に対して、このライブラリは GPU 配列（CuArray など）を活用してシステム関数 f の計算を加速します。
2. Parameter-Parallelism: 多くの異なる開始点やパラメータに対して解く必要がある小さな ODE に対しては、EnsembleGPUArray と EnsembleGPUKernel を使用して、GPU の多くのコアで求解プロセスを並列化します。

NVIDIA (CUDA), AMD (ROCm), Intel (OneAPI), Apple M-Series (Metal), および OpenCL を含む、幅広いハードウェア・バックエンドをサポートしています。

Who it's for

科学機械学習 (SciML) と微分方程式に取り組む研究者やエンジニアで、異なるベンダーの GPU ハードウェア上で高性能計算が必要な方々です。

Highlights

• Multi-GPU Vendor Support: NVIDIA, AMD, Intel, および Apple Silicon で動作します。
• Ensemble Solving: 数千の ODE 軌跡を同時に解くための専用ツール。
• Integration: DifferentialEquations.jl エコシステムの一部です。
• Cross-Platform: さまざまなカーネル言語とバックエンドをサポートしています。