Comparando Métodos de Aprendizagem Profunda para a Seleção de Precondicionadores

Em computação de alto desempenho (HPC), a solução eficiente de grandes sistemas lineares esparsos é fundamental, sendo os métodos iterativos a escolha predominante, cuja performance está ligada ao precondicionador escolhido. Apresentamos uma representação da esparsidade de matrizes por meio de imagens RGB. Utilizando uma rede neural convolucional (CNN), a tarefa de seleção do precondicionador se transforma em um problema de classificação multi-classe. Testes com 126 matrizes da coleção SuiteSparse enfatizam a adequação do modelo CNN, observando um aumento de 32% na acurácia e uma redução de 25% no tempo de execução.