numba_kernels.py ダウンロード/コピー
numba_kernels.py
numba_kernels.py
1"""
2概要:
3 Numbaを用いてJITコンパイルされたN体シミュレーション用のカーネル関数モジュールです。
4詳細説明:
5 並列処理の有効無効を環境変数 PLANET_NUMBA_PARALLEL により切り替え、
6 各粒子の加速度計算、エネルギー計算、各種積分法のステップ処理を高速に実行します。
7関連リンク:
8 benchmark_common
9"""
10
11import os
12import numpy as np
13from numba import njit, prange
14from benchmark_common import G1
15PARALLEL = os.environ.get("PLANET_NUMBA_PARALLEL", "0") == "1"
16
17@njit(parallel=PARALLEL, cache=True)
18def pairwise_accel_inplace_jit(m, r, a_out):
19 """
20 概要:
21 a_out に加速度を書き込むインプレース版関数です。
22 詳細説明:
23 r2が0の際は寄与をスキップしてゼロ割を回避します。ウォームアップ等の安全策として機能します。
24 引数:
25 :param m: 質量配列。
26 :type m: numpy.ndarray
27 :param r: 位置配列。
28 :type r: numpy.ndarray
29 :param a_out: 加速度を出力する配列。
30 :type a_out: numpy.ndarray
31 戻り値:
32 :returns: なし。
33 :rtype: None
34 """
35 N = r.shape[0]
36 for i in prange(N):
37 xi = r[i,0]; yi = r[i,1]; zi = r[i,2]
38 ax = 0.0; ay = 0.0; az = 0.0
39 for j in range(N):
40 if i == j:
41 continue
42 dx = r[j,0]-xi; dy = r[j,1]-yi; dz = r[j,2]-zi
43 r2 = dx*dx + dy*dy + dz*dz
44 if r2 == 0.0:
45 continue
46 invr = 1.0 / np.sqrt(r2)
47 invr3 = invr * invr * invr
48 s = G1 * m[j] * invr3
49 ax += s*dx; ay += s*dy; az += s*dz
50 a_out[i,0] = ax; a_out[i,1] = ay; a_out[i,2] = az
51
52@njit(cache=True)
53def potential_energy_jit(m, r):
54 """
55 概要:
56 系のポテンシャルエネルギーを計算します。
57 引数:
58 :param m: 質量配列。
59 :type m: numpy.ndarray
60 :param r: 位置配列。
61 :type r: numpy.ndarray
62 戻り値:
63 :returns: ポテンシャルエネルギー。
64 :rtype: float
65 """
66 N = r.shape[0]
67 U = 0.0
68 for i in range(N):
69 xi = r[i,0]; yi = r[i,1]; zi = r[i,2]
70 mi = m[i]
71 for j in range(i+1, N):
72 dx = r[j,0]-xi; dy = r[j,1]-yi; dz = r[j,2]-zi
73 dist = np.sqrt(dx*dx + dy*dy + dz*dz)
74 U += G1 * mi * m[j] / dist
75 return U
76
77@njit(cache=True)
78def kinetic_energy_jit(m, v):
79 """
80 概要:
81 系の運動エネルギーを計算します。
82 引数:
83 :param m: 質量配列。
84 :type m: numpy.ndarray
85 :param v: 速度配列。
86 :type v: numpy.ndarray
87 戻り値:
88 :returns: 運動エネルギー。
89 :rtype: float
90 """
91 K = 0.0
92 for i in range(m.shape[0]):
93 vi2 = v[i,0]*v[i,0] + v[i,1]*v[i,1] + v[i,2]*v[i,2]
94 K += 0.5 * m[i] * vi2
95 return K
96
97@njit(cache=True)
98def momentum_jit(m, v):
99 """
100 概要:
101 系の総運動量と、スケーリングされた運動量ノルムを計算します。
102 引数:
103 :param m: 質量配列。
104 :type m: numpy.ndarray
105 :param v: 速度配列。
106 :type v: numpy.ndarray
107 戻り値:
108 :returns: x方向、y方向、z方向の総運動量と、スケーリングされた運動量ノルムのタプル。
109 :rtype: tuple
110 """
111 Px=0.0; Py=0.0; Pz=0.0
112 for i in range(m.shape[0]):
113 mi = m[i]
114 Px += mi*v[i,0]; Py += mi*v[i,1]; Pz += mi*v[i,2]
115 P2 = Px*Px + Py*Py + Pz*Pz
116 Pmsm = np.sqrt(P2/(3.0*max(1, m.shape[0])))
117 return Px, Py, Pz, Pmsm
118
119@njit(cache=True)
120def normalize_momentum_jit(m, v):
121 """
122 概要:
123 重心の運動量がゼロになるように各粒子の速度を正規化します。
124 引数:
125 :param m: 質量配列。
126 :type m: numpy.ndarray
127 :param v: 速度配列。インプレースで更新されます。
128 :type v: numpy.ndarray
129 戻り値:
130 :returns: なし。
131 :rtype: None
132 """
133 Px=0.0; Py=0.0; Pz=0.0
134 Mtot = 0.0
135 for i in range(m.shape[0]):
136 mi = m[i]; Mtot += mi
137 Px += mi*v[i,0]; Py += mi*v[i,1]; Pz += mi*v[i,2]
138 for i in range(m.shape[0]):
139 v[i,0] -= Px/Mtot
140 v[i,1] -= Py/Mtot
141 v[i,2] -= Pz/Mtot
142
143# --- JIT steppers: advance K steps in-place ---
144@njit(cache=True)
145def step_euler_k_jit(m, r, v, a, dt, k_steps):
146 """
147 概要:
148 オイラー法を用いて、インプレースで複数ステップ分の時間積分を行います。
149 引数:
150 :param m: 質量配列。
151 :type m: numpy.ndarray
152 :param r: 位置配列。
153 :type r: numpy.ndarray
154 :param v: 速度配列。
155 :type v: numpy.ndarray
156 :param a: 加速度配列。
157 :type a: numpy.ndarray
158 :param dt: タイムステップ幅。
159 :type dt: float
160 :param k_steps: 積分を行うステップ数。
161 :type k_steps: int
162 戻り値:
163 :returns: 更新された加速度配列。
164 :rtype: numpy.ndarray
165 """
166 for _ in range(k_steps):
167 v[:,0] += dt*a[:,0]; v[:,1] += dt*a[:,1]; v[:,2] += dt*a[:,2]
168 r[:,0] += dt*v[:,0]; r[:,1] += dt*v[:,1]; r[:,2] += dt*v[:,2]
169 pairwise_accel_inplace_jit(m, r, a)
170 return a
171
172@njit(cache=True)
173def step_verlet_k_jit(m, r_prev, r, v, a, dt, k_steps):
174 """
175 概要:
176 ベルレ法を用いて、インプレースで複数ステップ分の時間積分を行います。
177 詳細説明:
178 r_prev、r、v、aはインプレースで更新され、速度vは位置の変化から推定されます。
179 引数:
180 :param m: 質量配列。
181 :type m: numpy.ndarray
182 :param r_prev: 前ステップの位置配列。
183 :type r_prev: numpy.ndarray
184 :param r: 現在の位置配列。
185 :type r: numpy.ndarray
186 :param v: 速度配列。
187 :type v: numpy.ndarray
188 :param a: 加速度配列。
189 :type a: numpy.ndarray
190 :param dt: タイムステップ幅。
191 :type dt: float
192 :param k_steps: 積分を行うステップ数。
193 :type k_steps: int
194 戻り値:
195 :returns: 更新された加速度配列。
196 :rtype: numpy.ndarray
197 """
198 # r_prev, r, v, a updated in-place; v is estimated from positions
199 for _ in range(k_steps):
200 r_new_x = 2.0*r[:,0] - r_prev[:,0] + (dt*dt)*a[:,0]
201 r_new_y = 2.0*r[:,1] - r_prev[:,1] + (dt*dt)*a[:,1]
202 r_new_z = 2.0*r[:,2] - r_prev[:,2] + (dt*dt)*a[:,2]
203 v[:,0] = (r_new_x - r_prev[:,0])/(2.0*dt)
204 v[:,1] = (r_new_y - r_prev[:,1])/(2.0*dt)
205 v[:,2] = (r_new_z - r_prev[:,2])/(2.0*dt)
206 r_prev[:,0], r[:,0] = r[:,0], r_new_x
207 r_prev[:,1], r[:,1] = r[:,1], r_new_y
208 r_prev[:,2], r[:,2] = r[:,2], r_new_z
209 pairwise_accel_inplace_jit(m, r, a)
210 return a
211
212@njit(cache=True)
213def step_vverlet_k_jit(m, r, v, a, dt, k_steps):
214 """
215 概要:
216 速度ベルレ法を用いて、インプレースで複数ステップ分の時間積分を行います。
217 引数:
218 :param m: 質量配列。
219 :type m: numpy.ndarray
220 :param r: 位置配列。
221 :type r: numpy.ndarray
222 :param v: 速度配列。
223 :type v: numpy.ndarray
224 :param a: 加速度配列。
225 :type a: numpy.ndarray
226 :param dt: タイムステップ幅。
227 :type dt: float
228 :param k_steps: 積分を行うステップ数。
229 :type k_steps: int
230 戻り値:
231 :returns: 更新された加速度配列。
232 :rtype: numpy.ndarray
233 """
234 for _ in range(k_steps):
235 v[:,0] += 0.5*dt*a[:,0]; v[:,1] += 0.5*dt*a[:,1]; v[:,2] += 0.5*dt*a[:,2]
236 r[:,0] += dt*v[:,0]; r[:,1] += dt*v[:,1]; r[:,2] += dt*v[:,2]
237 pairwise_accel_inplace_jit(m, r, a)
238 v[:,0] += 0.5*dt*a[:,0]; v[:,1] += 0.5*dt*a[:,1]; v[:,2] += 0.5*dt*a[:,2]
239 return a