A memory-efficient adjoint method to enable billion parameter optimization on a single GPU in dynamic problems

doi:10.1007/s00158-025-04237-y

A memory-efficient adjoint method to enable billion parameter optimization on a single GPU in dynamic problems

2026-02-19

0

OA

AI

Stefan Kollmannsberger

DOI：10.1007/s00158-025-04237-y

原文链接

原文求助

摘要

En 中文

在现代GPU上，动态优化目前受限于需要全正演和伴随波场信息的敏感性计算。由于正演和伴随解的计算方向相反，正演解必须被存储，即使采用检查点或数据压缩技术也需要大量内存。因此，在处理具有有限内存容量的现代GPU实现时，问题受内存限制而非时钟时间限制。为克服此限制，我们介绍了一种基于伴随方法（针对自伴随问题，因此排除衰减效应）并依赖叠加原理的敏感性计算近似方法。该近似允许迭代计算敏感性，将内存负担降低到少数时间步的解，即自由度数量。这使当前GPU（如2020年NVIDIA A100）能够处理具有数十亿自由度的问题的敏感性计算。我们在全波形反演和瞬态声学拓扑优化问题上验证了该方法，依赖高效有限差分正演求解器（使用CUDA实现）。由于近似技术仅限于自伴随问题，因此无法考虑阻尼等现象。

Keyword:

Adjoint optimization

GPU acceleration

Finite difference method

Dynamic optimization

Full waveform inversion

Acoustics

A memory-efficient adjoint method to enable billion parameter optimization on a single GPU in dynamic problems

摘要

期刊

机构