موازی سازی توموگرافی لرزه ای

پیشرفت های اخیر در محاسبات سطح بالا‏، ‏شرایط مناسبی را برای بهبود سرعت و کیفیت محاسبات علمی فراهم می کند. یکی از این پیشرفت ها‏، واحد ‎‎‏پردازنده ‎ گرافیکی (gpu)‎ قابل برنامه نویسی ‏است. ‎gpu‏ پردازنده ای با تعداد هسته های زیاد و ‎‎‏پهنای باند بسیار بالا می باشد و ‎‏برای انجام محاسبات داده موازی مانند محاسبات ماتریسی که در آن ها یک دستور برروی چندین داده اعمال می شود‏، مناسب است. ‏توموگرافی لرزه ای به ویژه در مقیاس های بزرگ‏، ‎‎‏پردازشی زمان بر است‏، چرا که نیازمند‏ ‎انجام‎ محاسبات برروی حجم بالایی از داده هاست. به کارگیری ابزار و ایده های موازی می تواند در بهبود سرعت محاسبات توموگرافی موثر باشند. الگوریتم های lsqrو ‎lsmr‎ ‏شامل چندین ضرب ماتریس در بردار می باشند‏، از این رو برای اجرا برروی ‏gpu مناسب هستند. در‎‎ مطالعه حاضر با به کارگیری مدل برنامه نویسی موازی‏ cuda‏ و ‎‎اجرای‎ محاسبات ماتریسی برروی gpu‏‏، سرعت‎ محاسبات افزایش یافت.‎ lsqr،‎‎‏ الگوریتمی رایج برای معکوس سازی در توموگرافی لرزه ای به شمار می آید. در توموگرافی لرزه ای محاسبه ماتریس های تفکیک داده و مدل نیازمند در اختیار داشتن معکوس تعمیم یافته است‏، این در حالی است که در الگوریتمlsqr ‎‎‎‏ معکوس تعمیم یافته به صورت صریح محاسبه نمی شود‏، با این وجود در برخی از مطالعات روش هایی برای محاسبه ماتریس تعمیم یافته ‏الگوریتم lsqr‎ ارائه شده اند‏، اما برخی از این روش ها نادرست و یا غیرقابل کاربرد هستند. در این مطالعه روشی جدید برای محاسبه معکوس تعمیم یافته تقریبی و ماتریس تفکیک ارائه شده است که امکان استفاده از الگوریتم های تکراری از جمله ‎lsqr‏‏، ‎lsmr‎‎‎‎‎ ‏و غیره در آن وجود دارد. ما با استفاده از ایده ‎‎mapreduce محاسبات را بین پردازنده ها توزیع کردیم. به دلیل اینکه روش ما شامل محاسبات سنگین ماتریسی است برای ‎‎‏پیاده سازی برروی خوشه هایی ازgpu ‏ یا‎multi-‎gpu ‎‎‏ مناسب است.