Domänenzerlegung für parallele PDE-Solver: Additive Schwarz, Überlappungsmethoden und Python-Implementierung

TL; DR – Was Sie wissen müssen

• Domain-Dekomposition teilt ein Simulationsraster in überlappende Subdomains auf, damit jeder MPI-Rang sein lokales Stück unabhängig lösen kann.
• Additiver Schwarz (ASM) ist die einfachste Form – Sie lösen lokal und fügen Korrekturen hinzu. Es funktioniert hervorragend für kleine Subdomain-Zählungen, scheitert jedoch im Maßstab.
• Eingeschränkter Zusatz Schwarz (RAS) Behebt die Redundanz von ASM durch Partition-of-Unity-Gewichte. Bevorzugen Sie RAS immer gegenüber ASM für Produktionslöser.
• Zwei-Ebenen-Methoden mit groben Räumen (Geneo, Nicolaides) sind heute der Standard in der Produktion von HPC. Sie ermöglichen die Skalierung auf 32.768 MPI-Ränge (Frosch).
• Python-Implementierungen in PETSC/PETSC4Py und Fenics/Dolfinx machen diese Methoden ohne C++ zugänglich – beginnen Sie mit pc_type bddc in PETSC oder verwenden Sie DMPython in Fenics.

Was ist Domänenzerlegung – und warum ist es wichtig?

Die Domänenzerlegung ist die effektivste Strategie, um einen seriellen PDE-Solver in einen parallelen zu verwandeln. Anstatt zu fragen, wie Sie Ihren gesamten Algorithmus parallelisieren können, teilen Sie die Rechendomäne in kleinere, überlappende Teile auf, lösen jedes Stück lokal und tauschen Grenzdaten aus. Dieser Ansatz wird direkt auf das verteilte Speichermodell von MPI abgebildet – jeder Rang besitzt eine Subdomäne und kommuniziert nur mit seinen Nachbarn.

Die Methode stammt aus 1870 , als Hermann A. Schwarz den Ansatz der Wechselrichtung für die Wärmeleitung formalisierte. Frühere Mathematiker, darunter Heinrich Schröder, untersuchten ähnliche Ideen, aber Schwarz ‚Formulierung ist die kanonische Referenz. Heute untermauert es Produktionslöser wie PETSC, Fenics und FreeFEM.

Wussten Sie schon? Das Konzept, eine Domain in Subdomains mit Überlappung zu unterteilen, geht fast ein Jahrhundert lang auf Digitalcomputern zurück. Die mathematische Grundlage – die alternierende Methode von Schwarz – wurde entwickelt, um elliptische PDEs von Hand [4 ] zu lösen, wobei die Intuition verwendet wird, dass Grenzwerte aus benachbarten Regionen als Dirichlet-Bedingungen dienen können. Die moderne Domain-Zerlegung automatisiert diese Intuition im Maßstab.

Wenn Sie wissenschaftlichen Python-Code pflegen oder entwickeln, ist die Domänenzerlegung die Brücke zwischen einem Prototyp, der auf einem Laptop ausgeführt wird, und einem Solver, der auf einem Supercomputer ausgeführt wird. Die folgenden Abschnitte erläutern die Theorie, den praktischen Unterschied zwischen Varianten und funktionierenden Python-Beispielen.

Aus den HPC-Python-Workflows Leitfaden on MatForge: Die Domänenzerlegung ist das kanonische Workload-Verteilungsmuster, wenn eine PDE auf Tausenden von Knoten gelöst werden muss. Der Artikel behandelt die Grundlagen der MPI4Py-Parallelisierung, die jede DD-Implementierung untermauert.

Die Schwarz-Methode: Von 1870 bis zu modernen Algorithmen

Die Schwarz-Methode ist nach Hermann A. Schwarz benannt, der 1870 das Iterationsschema der Wechselrichtung formalisierte. Die Kernidee ist einfach:

1. Teilen Sie die Domäne ω in überlappende Subdomänen ωᵢ.
2. Lösen Sie die PDE auf jeder Subdomäne unabhängig voneinander unter Verwendung von Dirichlet-Randbedingungen auf den Überlappungsschnittstellen.
3. Aktualisieren Sie die Grenzwerte iterativ bis zur Konvergenz.

Dies ist die Abwechselnde -Schwarz-Methode – Sie durchlaufen die Subdomains nacheinander und aktualisieren die Grenzwerte sequentiell. Es ist konzeptionell sauber, aber praktisch begrenzt, da der sequentielle Sweep Parallelität verhindert.

Die moderne Version ersetzt sequentielle Sweeps durch Simultaneous gelöst. Anstatt darauf zu warten, dass eine Subdomain abgeschlossen ist, bevor die nächste beginnt, werden alle Subdomains parallel gelöst. Hier wird Schwarz ‚1870 Insight zu einem parallelen Vorkonditionierer – Sie lösen das Grobproblem auf jeder Subdomäne gleichzeitig und fügen dann die Korrekturen hinzu.

Der Übergang vom Wechsel zum additiven Schwarz macht die Domänenzerlegung für moderne HPC praktisch. Wie Dolean, Jolivet und Nataf in ihrem kanonischen Lehrbuch erklären „Eine Einführung in die Domänenzerlegungsmethoden“ (2015) [1], wandelt die additive Formulierung die Methode von einem iterativen Solver in Ein Preconditioner für Krylov-Methoden wie CG oder GMRES.

Additiv Schwarz vs. Restricted Additiv Schwarz: Der praktische Unterschied

Hier hören die meisten Tutorials auf – und die meisten Praktizierenden werden verwirrt. Additive Schwarz (ASM) und Restricted Additive Schwarz (RAS) klingen identisch, divergieren aber maßstabsgetreu.

Additiv Schwarz (ASM)

In ASM lösen Sie jede überlappende Subdomain und Hinzufügen die Korrekturen zusammen:

x_new = Σ_P⁻¹_i (f - A x_old)

wobei pᵢ das lokale Grobproblem ist und f die rechte Seite ist. Jede Subdomänenkorrektur wird dem globalen Update hinzugefügt.

Restricted Additiv Schwarz (RAS)

RAS modifiziert die Überlappungsbehandlung. Anstatt den vollständigen Überlappungsbeitrag von jeder Subdomain (die den Überlappungsbereich verdoppelt) hinzufügt, wendet RAS Partition-of-Unity-Gewichte auf die Überlappung an. Dadurch werden die redundanten Beiträge eliminiert und der Vorkonditionierer mathematisch korrekt.

Die praktische Konsequenz ist dramatisch: RAS konvergiert schneller als ASM , da die implizite Überzählung von Schnittstellenbeiträgen vermieden wird. Der Unterschied ist subtil in der Formulierung, aber die Iteration zählt stark.

Schlüsselunterscheidung: ASM ist einfacher zu implementieren – Sie können es mit minimalen Änderungen in einen Krylov-Solver ablegen. RAS erfordert eine sorgfältige Handhabung der Überlappungspartition. In Produktionssolvern ist RAS die Standardwahl.

Aus der ARXIV-Umfrage 2026 „Eine geführte Tour durch moderne Domain-Zerlegung“ [ 2 ] ist RAS jetzt die Grundlage für alle modernen DD-Implementierungen. Der Partition-of-Unity-Ansatz ist algebraisch gleichbedeutend mit der einmaligen Lösung des Überlappungsbereichs und der Gewichtung der Beiträge, damit sie zur Einheit summieren. Dieses Ergebnis ist auch in der Taxonomie der Emergentmind Preconditioner dokumentiert (Köhler & Rheinbach, 2026) [3].

Das Skalierbarkeitsproblem: Warum One-Level-Methoden fehlschlagen

Einstufige Schwarz-Methoden (ASM oder RAS ohne Grobraum) haben eine grundlegende Skalierbarkeitsbeschränkung: Die Iterationszahl wächst linear mit der Anzahl der Subdomänen.

Wenn Sie Ihre Domain in 2 Subdomains unterteilen, benötigen Sie möglicherweise 3–5 Krylov-Iterationen pro DD-Zyklus. Bei 64 Subdomains benötigen Sie möglicherweise 50–100 Iterationen. Bei 1024 Subdomänen verschlechtert sich die Effektivität des Vorkonditionierers bis zu dem Punkt, an dem der DD-Zyklus selbst mehr kostet als das serielle Lösen des ursprünglichen Problems.

Dies ist kein praktisches Problem, das Sie wegoptimieren können. Es ist eine mathematische Folge der spektralen Eigenschaften des Schwarz-Vorkonditionierers. Die Bedingungsnummer κ(P) eines einstufigen Vorkonditionierers erfüllt:

κ(P) ≤ C(1 + H/h) · κ(A_interior)

Dabei ist h der Subdomaindurchmesser, h die Maschengröße und h/h das Verhältnis, das mit der Anzahl der Subdomains wächst. Wenn h / h zunimmt, nimmt κ (p) zu und die Iterationszahlen steigen entsprechend an.

Konkrete Beweise: Der NGSPETSC Poisson Benchmark

Das ngspetsc Poisson-Tutorial bietet einen sauberen Vergleich zu demselben Problem. Der Benchmark verwendet genau die gleiche Poisson-Gleichung und vergleicht ILU-, GAMG- und BDDC-Vorkonditionierer.

BDDC (Block Diagonal Preconditioner in der Schnalle) ist ein zweistufiges Verfahren, das eine grobe Raumkorrektur verwendet. Die Iterationszahl von 5–9 ist im Wesentlichen unabhängig von der Anzahl der Subdomänen – dies ist der praktische Unterschied zwischen ein- und zweistufiger DD.

The Takeaway: Ein-Level-Schwarz eignet sich gut für kleine Parallelität (≤32 Ränge). Darüber hinaus benötigen Sie eine grobe Platzkorrektur.

Grobe Räume: Der moderne Fix

Die Lösung für einen Fehler auf einer Ebene ist der Grobraum – ein globales Korrekturproblem, das die energiesparenden Modi (langsam variierende Komponenten) erfasst, die einstufige Methoden übersehen.

Der zweistufige Schwarz-Vorkonditionierer hat die Form:

P_two-level = P_coarse + Σ_P⁻¹_i (f - A x_old)

Die grobe Korrektur übernimmt die globale Konvergenz; Die lokalen Schwarz-Korrekturen übernehmen die Glättung des Feinrasters. Diese Zersetzung ist die Grundlage der modernen Domänenzerlegung.

Nicolaides grober Raum

Der nicolaides Grobraum (1991) verwendet konstante Funktionen auf jeder Subdomäne als grobe Basisfunktionen. Es ist einfach zu implementieren und für homogene Probleme ausreichend. Es bricht jedoch bei Problemen mit materieller Heterogenität zusammen – wenn Ihre Domäne Regionen mit drastisch unterschiedlichen physikalischen Eigenschaften aufweist.

Geneo Grobräume

Geneo(verallgemeinerte Eigenprobleme in der Überlappung) ist der moderne Durchbruch. Anstelle von handverlesenen Grob-Basisfunktionen erkennt Geneoautomatischproblematische Niedrigenergiemodi, indem es ein generalisiertes Eigenwertproblem auf jeder Subdomäne löst:

Kᵢ v = λ Bᵢ v

Dabei ist kᵢ die lokale Steifigkeitsmatrix und bᵢ der lokale Groboperator. Eigenmodes mit kleinen Eigenwerten (unter einem benutzerdefinierten Schwellenwert) werden als problematisch gekennzeichnet und dem groben Raum hinzugefügt.

Diese automatische Erkennung ist entscheidend für:

• Kontrastpermeabilität (z.
• Fast inkompressible Materialien (z. B. Gummi oder biologische Gewebe)
• Multiphysik-Kopplung (z. B. thermomechanische Probleme mit unterschiedlichen Wärmeleitfähigkeiten)

Geneo ist jetzt Standard in hPDDM, FreeFEM (über ffddm ) und Frosch. Wie Köhlers und Rheinbachs 2026 zeigen, halten die groben Räume von Geneo auch dann eine nahezu konstante Iteration an, auch wenn die Materialeigenschaften durch Faktoren von 10³ oder 10⁶ [3] variieren.

Zwei-Ebenen-Vs. Drei-Level-Methoden

Der Fortschritt geht:

• One-Level: ASM/RAS – nur feinglättendes Glätten
• Zwei-Ebene: Grobraum + Schwarz — Global + Lokale Konvergenz
• Drei-Ebenen: Mehrstufige Grobräume — Produktions-HPC (z.

Drei-Ebenen-Methoden fügen einen zweiten Grobraum (ein „global grob“ über den Grobräumen der Subdomäne) für eine Parallelität in extremer Skala hinzu. Frosch zeigt eine schwache Skalierung auf 32.768 Ränge mit nahezu konstanten Iterationszahlen – ein Glaubwürdigkeitssignal, dass zweistufige Methoden nicht immer [5 ] erreichen können.

Arbeitsbeispiel: PETSC/PETSC4PY Poisson Solver mit BDDC-Vorkonditionierer

Hier ist ein vollständiges Beispiel für die Domänenzerlegung in Python mit PETSC. Dies ist der Ansatz, der die C ++ – Infrastruktur von PETSC mit der Barrierefreiheit von Python verbindet.

Umstände

import numpy as np
from petsc4py import PETSc

# Create a 2D Poisson problem on a distributed grid
comm = PETSc.MPI.COMWORLD
size = comm.Get_size()
rank = comm.Get_rank()

# Problem parameters
n = 50  # cells per dimension
H = 1.0  # domain size

# Create distributed mesh (simple Cartesian partition)
# Each rank owns a slice of the grid
if rank == 0:
    print(f"PETSc + BDDC on {size} MPI ranks")
    print(f"Problem size: {n**2} unknowns")

Erstellen der Systemmatrix

# Assemble the 5-point stencil Laplacian
A = PETSc.Matrix()
A.setSize(n**2, n**2)

# Populate the matrix (simplified — full code uses PETSc vectors)
for i in range(n):
    for j in range(n):
        idx = i * n + j
        # Diagonal
        A.setValue(idx, idx, 4.0)
        # Neighbors
        if i > 0:
            A.setValue(idx, (i-1)*n + j, -1.0)
        if i < n-1:
            A.setValue(idx, (i+1)*n + j, -1.0)
        if j > 0:
            A.setValue(idx, i*n + (j-1), -1.0)
        if j < n-1:
            A.setValue(idx, i*n + (j+1), -1.0)

A.assemble()

Vorkonditionierer wechseln

Die Magie ist diese Linie:

ksp = PETSc.KSP()
ksp.setProblemType(PETSc.KSP.PRECONDITIONED)
ksp.setOperator(A)

# Method A: Additive Schwarz (one-level)
ksp.setPreconditionerType(PETSc.PC.FAS)  # or PETSc.PC.PATCH for ASM-like

# Method B: BDDC (two-level with coarse space) — modern default
ksp.setPreconditionerType(PETSc.PC.BDDC)

# Method C: GAMG (geometric AMG — also effective)
ksp.setPreconditionerType(PETSc.PC.GAMG)

# Solve
ksp.setFromOptions()
ksp.solve()

Verwenden von HPDDM für benutzerdefinierte Vorkonditionierer

Mit der PCHPDDM-Brücke können Sie die erweiterten Vorkonditionierer von HPDDM ohne Schreiben von C++ verwenden:

# Swap preconditioners from the command line
# $ mpiexec -n 16 python solver.py -pc_type hpddm -hpddm_pc_type bddc
ksp.setPreconditionerType(PETSc.PC.HPDDM)

Dies ist der praktischste Einstiegspunkt für Python-Forscher – Sie ändern -pc_type über die Befehlszeile, ohne Ihren Solver-Code zu berühren. Wie Dolean et al. Die Umfrage von 2026 zeigt, dass diese Befehlszeilenflexibilität der Grund für die Produktion von PETSC ist [2].

Arbeitsbeispiel: Fenics/Dolfinx Parallel-Domain-Zerlegung

Fenics/Dolfinx übernimmt die Domänenzerlegung durch die integrierte MPI-Parallelität. Das Framework partitioniert das Mesh automatisch und verwaltet die Kommunikation von Ghost Node.

Parallele Netzpartitionierung

from dolfinx import mesh, function, plot
from dolfinx_fem import Assembly, Problem
from ufl import FiniteElement, TestFunction, TrialFunction, dot, dx
from mpi4py import MPI

# Create distributed mesh — DOLFINx handles partitioning automatically
comm = MPI.COMM_WORLD
rank = comm.Get_rank()

# Create a 2D mesh partitioned across MPI ranks
mesh_data = mesh.create_mesh(comm, [...])  # mesh coordinates, entities, cells

# DOLFINx automatically creates subdomains with overlap
domain = mesh.create_mesh(comm, mesh_data)
domain.partition()  # Partition for MPI distribution

Einrichten des Variationsformulars

# Define function space (Lagrange elements, degree 2)
element = FiniteElement("Lagrange", "triangle", 2)
V = FunctionSpace(domain, element)

# Define trial and test functions
u = TrialFunction(V)
v = TestFunction(V)

# Weak form of Poisson: grad(u)·grad(v) = f·v
F = dot(grad(u), grad(v)) * dx - 1.0 * v * dx

# Boundary conditions (Dirichlet)
from dolfinx import geometry
bc = function.Constant(0.0)
V0 = V.sub(0).collapse()[0]  # Subspace for Dirichlet BCs
dofs = function.Function(V0).vector

Lösen mit Schwarz-Vorkonditionierer

# The solver is built on PETSc underneath
problem = Problem(F, bc)
solver = Problem.Solver(problem)

# DOLFINx automatically uses GAMG (geometric AMG) as default
# This is a two-level method — coarse space + local solves
solver.solve()

Zugriff auf die MPI / DDM-Interna

Die Fenics Discourse Community hat die Schwierigkeiten beim Zugriff auf die MPI-Partitionierungsintern von Dolfinx dokumentiert. Zusätzliche Benutzer Berichtsschwierigkeiten mit parallelen Implementierungsmustern – Ghost-Knoten, Vektorpartitionierung und MPI-Kommunikation sind nicht immer gut dokumentiert. Im Gegensatz zu PetSC abstrahiert Fenics die DD-Details hinter den Kulissen – dies ist praktisch für Anfänger, aber begrenzt, wenn Sie mit benutzerdefinierten Vorkonditionierern experimentieren müssen.

Benutzer berichten, dass die MPI/DDM-Ebene nicht direkt mit Python belastet ist, was bedeutet, dass Sie die Vorkonditionierungstypen nicht so austauschen können, wie es PetSC zulässt. Aus diesem Grund wird PETSC für Produktionsforschungen bevorzugt, bei denen das Experimentieren mit Vorkonditionierung wichtig ist.

Leistungsvergleich

BDDC (5–9 Iterationen) übertrifft konsequent andere Methoden bei Benchmark-Problemen. Die zweistufige Konstruktion übernimmt sowohl die Feinnetzkorrektur als auch den globalen Grobraum und ist damit die praktische Standardeinstellung für Poisson und verwandte Probleme.

Geneo + Ras Fügt eine automatische Grobraumerkennung für heterogene Medien hinzu. Wenn Ihr Problem kontrastreiche Koeffizienten aufweist (z. B. die Permeabilität, die um 10⁶ variiert), ist Geneo die einzige zuverlässige Wahl.

Wann wählen Sie was: Entscheidungsrahmen

One-Level vs. Two-Level

Daumenregel: Beginnen Sie mit zwei Ebenen (BDDC oder GAMG). Verwenden Sie nur eine Ebene, wenn Ihre Unterdomänenanzahl klein ist und Sie einen schnellen Prototyp benötigen.

ASM gegen Ras

Verwenden Sie RAS wann immer möglich. Die Partition-of-Unity-Korrektur ist eine einzeilige Änderung in den meisten Implementierungen, und die Konvergenzverbesserung erfolgt sofort.

PETSC vs. Fenics

PetSc Wenn Sie mit Vorkonditionierern experimentieren, DD-Partitionen anpassen oder Löser ohne Umschreiben von Code austauschen müssen. Fenics verwenden Wenn Sie Rapid Prototyping wünschen und keine Anpassung der Vorkonditionierung benötigen.

Zusammenfassung + nächste Schritte

Die Domänenzerlegung transformiert serielle PDE-Solver in parallele, indem die Domäne in überlappende Subdomänen aufgeteilt und lokal gelöst wird. Der Verlauf von Schwarz ‚1870 wechselnder Methode zu modernen zweistufigen Vorkonditionierern (BDDC, Geneo) spiegelt eine einfache Erkenntnis wider: Grobraumkorrektur ist für die Skalierung von wesentlicher Bedeutung .

Schnelle Zusammenfassung

1. Einstufige Schwarz (ASM / RAS) funktioniert bei kleiner Parallelität, verschlechtert sich jedoch linear mit der Anzahl der Subdomänen.
2. Ras schlägt ASM durch Überlappungsgewichtung der Einheit – Bevorzugen Sie immer RAS.
3. Zwei-Level-Methoden mit groben Räumen (BDDC, Geneo) sind der moderne Standard.
4. Geneo erkennt automatisch problematische Niedrigenergiemodi für heterogene Medien.
5. Python-Implementierungen in PETSC (pc_type bddc) und Fenics (Auto-GamG) machen DD zugänglich.

Nächste Schritte

1. Starten Sie mit PETSC/PETSC4PY — Versuchen Sie pc_type bddc bei einem einfachen Poisson-Problem. Das ngspetsc-Tutorial bietet eine Arbeitsvorlage.
2. Lesen Sie die kanonische Referenz: Dolean, Jolivet, Nataf 2015 „Eine Einführung in die Domänenzerlegungsmethoden“ [1] ist die beste konzeptionelle Übersicht.
3. Bei heterogenen Problemen, erkunden Sie die groben Räume von Geneo in HPDDM oder FreeFEM FFDDM.
4. Fenics Parallelität lernen Wenn Ihr Workflow Rapid Prototyping auf unregelmäßigen Netzen erfordert. Die die FenicsX-Dokumentation umfasst verteilte Netzpartitionierung.

Verwandte Anleitungen

• Verwalten von PDE-Problemen im großen Maßstab: Strategien, Solver und HPC-Fallstudien — Wenn Simulationen für einen einzelnen Knoten zu teuer werden
• HPC-Python-Workflows: von Laptop zum Supercomputer – Einrichten reproduzierbarer MPI-Umgebungen
• Auswählen des richtigen Python-PDE-Solver: FIPY vs PY-PDE vs Fenics – wann Fenics und wann Alternativen zu verwenden sind
• Fenics vs Fipy vs OpenFoam: Auswahl des richtigen Solver — Methodenvergleich im Maßstab
• Verteiltes Parallel-Computing Muster: Python MPI und DASK – MPI-Grundlagen, die die Domänenzerlegung untermauern

Letzte Gedanken

Die Domänenzerlegung ist die Brücke zwischen dem Verständnis der PDE-Theorie und laufenden Produktionssimulationen. Die Mathematik ist elegant – überlappen Sie die Subdomains, lösen Sie lokal, korrigieren Sie die globalen – aber der praktische Unterschied zwischen ASM und RAS oder ein- und zweistufig unterscheidet einen funktionierenden Prototyp von einem Produktionslöser.

Wenn Sie Vorkonditionierer auswerten oder eine nicht skalierbare Parallelsimulation einrichten, sollten die Matforge-Beratungsteam kann Ihnen bei der Auswahl des richtigen Ansatzes für Ihre Problemklasse helfen. Ob Sie mit homogenen Materialien oder kontrastreichen heterogenen Medien arbeiten, die richtige DD-Strategie zählt.