پژوهشگر محاسبات علمی

بخش نخست کار، ترجمه یک پرسش علمی یا مهندسی به زبان ریاضی است. پژوهشگر با متخصص همان حوزه می‌نشیند، معادله‌های حاکم، شرایط مرزی و اولیه و ساده‌سازی‌های مجاز را مشخص می‌کند و تصمیم می‌گیرد چه چیزی باید مدل شود و چه چیزی نه. همین انتخاب‌ها سقف دقت همه محاسبات بعدی را تعیین می‌کنند و خطا در آن‌ها با هیچ ابررایانه‌ای جبران نمی‌شود.

پس از مدل، نوبت گسسته‌سازی و حل‌گر است: تفاضل محدود، حجم محدود یا المان محدود، و در کنارش حل‌گر دستگاه‌های بزرگ و پیش‌شرط‌ساز مناسب. اینجا سخت‌افزار حرف آخر را می‌زند؛ گزینه‌ای به کار می‌آید که در حافظه هر هسته جا شود، بار ارتباطی‌اش شبکه خوشه را نبندد و با افزودن پردازنده مقیاس بگیرد، نه گزینه‌ای که فقط مرتبه دقتش بالاتر است.

کد باید روی ده‌ها تا صدها هسته یا چند کارت گرافیک اجرا شود، پس دامنه مسئله میان پردازنده‌ها تقسیم و تبادل داده با MPI، OpenMP یا CUDA مدیریت می‌شود. پژوهشگر کار را در صف زمان‌بند خوشه می‌فرستد، مقیاس‌پذیری را اندازه می‌گیرد و گلوگاه‌های حافظه و ارتباط را برطرف می‌کند تا سهمیه محاسباتی گروه هدر نرود و یک اجرا هفته‌ها طول نکشد.

یک عدد خروجی تا وقتی محک نخورده بی‌ارزش است. پژوهشگر کد را با حل‌های تحلیلی و مسئله‌های محک استاندارد آزمایش می‌کند، نرخ همگرایی را اندازه می‌گیرد و استقلال نتیجه از شبکه و گام زمانی را نشان می‌دهد. سپس شبیه‌سازی را در برابر داده آزمایشگاهی یا میدانی می‌سنجد و سهم خطای مدل را از خطای عددی و خطای اندازه‌گیری جدا می‌کند.

هر اجرا می‌تواند ده‌ها گیگابایت خروجی بسازد، پس پژوهشگر از پیش تصمیم می‌گیرد چه کمیتی و با چه تناوبی ذخیره شود. داده را در قالب‌هایی مانند HDF5 و NetCDF سازمان می‌دهد، با ابزارهایی مانند ParaView میدان‌ها را مصور می‌کند و مقاطع و نمودارهای لازم را بیرون می‌کشد. بخش زیادی از تفسیر نتیجه و دیدن رفتار غیرمنتظره در همین مرحله اتفاق می‌افتد.

این شغل تقریباً هیچ‌وقت انفرادی نیست. پژوهشگر محاسبات علمی میان متخصص حوزه، مدیر سامانه محاسباتی و دانشجویان پروژه می‌ایستد و باید زبان هر سه را بفهمد. نتیجه کار در قالب گزارش فنی، مقاله و کد منتشرشده بیرون می‌آید و توضیح صریح محدودیت‌های مدل برای مخاطبی که شبیه‌سازی را جادو می‌بیند، بخش جدی همین وظیفه است.