ІНТЕЛЕКТУАЛЬНА ПАРАЛЕЛЬНА АРХІТЕКТУРА АДАПТИВНОГО ЧИСЕЛЬНОГО МОДЕЛЮВАННЯ СКЛАДНИХ ФІЗИЧНИХ ПРОЦЕСІВ НА ОСНОВІ БАГАТОРІВНЕВОЇ ДЕКОМПОЗИЦІЇ

ІНТЕЛЕКТУАЛЬНА ПАРАЛЕЛЬНА АРХІТЕКТУРА АДАПТИВНОГОЧИСЕЛЬНОГО МОДЕЛЮВАННЯ СКЛАДНИХ ФІЗИЧНИХ ПРОЦЕСІВ НА ОСНОВІ БАГАТОРІВНЕВОЇ ДЕКОМПОЗИЦІЇ Анотація.Чисельне моделювання складних фізичних процесів, зокрема багатофізичних взаємодій, багатошарових структур та середовищ із сильними просторовими неоднорідностями, супроводжується значною обчислювальною складністю.Використання адаптивних методів підвищує точність розрахунків, однак без ефективної паралельної реалізації їх потенціал істотно обмежується.Тому актуальною є розробка узгодженої паралельної архітектури, здатної масштабувати адаптивні чисельні моделі на сучасних гетерогенних обчислювальних платформах.Метою роботи є розробка інтелектуальної паралельної архітектури адаптивного чисельного моделювання складних фізичних процесів на основі багаторівневої декомпозиції, яка забезпечує ефективне масштабування, балансування навантаження та зменшення обчислювальних витрат при збереженні високої точності розрахунків.Розроблена архітектура базується на поєднанні просторової, модельної та алгоритмічної декомпозицій обчислювального процесу.Просторова декомпозиція реалізується через доменне розбиття з адаптивним уточненням сітки, № 13(54) 2025 2723 модельна -через блочне розділення багатофізичних операторів, алгоритмічначерез паралелізацію ключових етапів адаптивного чисельного циклу.Для балансування навантаження використано ML-предиктор, який прогнозує обчислювальну складність піддоменів і забезпечує динамічний розподіл ресурсів у гібридному середовищі MPI, багатопотокового CPU та GPUакселерації.Чисельні експерименти на задачах із нерівномірними адаптивними сітками, багатошаровими структурами та мультифізичними взаємодіями продемонстрували здатність архітектури забезпечити стабільне масштабування та зменшення повного часу розв'язання на 15-35% у порівнянні з класичними статичними та динамічними паралельними схемами.Використання MLпланувальника дозволяє знизити дисбаланс навантаження та підвищити ефективність strong scaling, особливо для задач зі складною геометрією та частими адаптивними перебудовами сітки.