{"id":1295,"date":"2026-08-21T14:31:16","date_gmt":"2026-08-21T14:31:16","guid":{"rendered":"https:\/\/matforge.org\/?p=1295","raw":"https:\/\/matforge.org\/?p=1295"},"modified":"2026-08-21T14:31:16","modified_gmt":"2026-08-21T14:31:16","slug":"benchmark-suites-scientific-solvers","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/benchmark-suites-scientific-solvers\/","title":{"rendered":"Suites de r\u00e9f\u00e9rence pour les solveurs scientifiques : SCIML, DOE Sparse Solvers et ASU Mittelmann","raw":"Suites de r\u00e9f\u00e9rence pour les solveurs scientifiques : SCIML, DOE Sparse Solvers et ASU Mittelmann"},"content":{"rendered":"Reading Time: <\/span> 10<\/span> minutes<\/span><\/span>
\n

L’analyse comparative est essentielle lorsque les chercheurs doivent comparer les solveurs num\u00e9riques, les mod\u00e8les d’apprentissage automatique, les biblioth\u00e8ques d’alg\u00e8bre lin\u00e9aire clairsem\u00e9es ou les logiciels d’optimisation. Un solveur qui fonctionne bien sur une \u00e9quation, une matrice, une tol\u00e9rance ou une plate-forme mat\u00e9rielle peut se comporter de mani\u00e8re tr\u00e8s diff\u00e9rente dans un autre ensemble de conditions.<\/p>\n

Une r\u00e9f\u00e9rence utile devrait fournir des d\u00e9finitions de probl\u00e8mes r\u00e9p\u00e9tables, des mesures de pr\u00e9cision coh\u00e9rentes, des environnements de calcul contr\u00f4l\u00e9s et des rapports transparents. Il doit \u00e9galement correspondre au type de logiciel \u00e9valu\u00e9. Un int\u00e9grateur ODE, un op\u00e9rateur neuronal, un solveur direct clairsem\u00e9 et un optimiseur \u00e0 contrainte PDE ne r\u00e9solvent pas le m\u00eame probl\u00e8me et ne doivent pas \u00eatre compar\u00e9s via la m\u00eame suite de tests.<\/p>\n

Le paysage de l’informatique scientifique comprend plusieurs ressources de r\u00e9f\u00e9rence importantes. ScimlBenchmarks se concentre sur l’efficacit\u00e9 du solveur d’\u00e9quations diff\u00e9rentielles. PDEbench fournit des ensembles de donn\u00e9es et des t\u00e2ches d’\u00e9valuation pour l’apprentissage automatique scientifique. HPCG repr\u00e9sente des charges de travail peu abondantes et \u00e0 forte intensit\u00e9 de m\u00e9moire sur des ordinateurs hautes performances. SuiteSparse fournit des matrices d’applications r\u00e9elles. La collection ASU Mittelmann prend en charge les comparaisons de logiciels d’optimisation, y compris les probl\u00e8mes contraints par PDE.<\/p>\n

Pourquoi les benchmarks des solveurs ont besoin de cat\u00e9gories<\/h2>\n

Le mot solveur<\/i> peut d\u00e9crire plusieurs types de logiciels diff\u00e9rents. Un int\u00e9grateur de temps fait avancer une ODE ou une PDE semi-discr\u00e9tis\u00e9e. Un solveur lin\u00e9aire clairsem\u00e9 calcule la solution d’un syst\u00e8me matriciel. Un op\u00e9rateur neuronal se rapproche du mappage entre les entr\u00e9es et les sorties PDE. Un solveur d’optimisation minimise un objectif tout en satisfaisant les contraintes.<\/p>\n

Ces outils n\u00e9cessitent des crit\u00e8res d’\u00e9valuation diff\u00e9rents. Les int\u00e9grateurs de temps sont g\u00e9n\u00e9ralement compar\u00e9s par des \u00e9valuations d’erreurs, d’ex\u00e9cution et de fonction. Les solveurs clairsem\u00e9s n\u00e9cessitent des collections matricielles, des mesures de m\u00e9moire, des nombres d’it\u00e9rations et des r\u00e9sultats de mise \u00e0 l’\u00e9chelle. Les mod\u00e8les de ML scientifiques n\u00e9cessitent des mesures de formation et d’inf\u00e9rence, des tests de g\u00e9n\u00e9ralisation et des comparaisons avec des solutions de r\u00e9f\u00e9rence num\u00e9rique.<\/p>\n

Une suite de benchmark n’est utile que lorsque sa classe de probl\u00e8mes correspond \u00e0 l’objectif du solveur.<\/p>\n

Principales familles de r\u00e9f\u00e9rence<\/h2>\n\n\n\n\n\n\n\n\n
ressource de r\u00e9f\u00e9rence<\/th>\nPrincipale classe de probl\u00e8mes<\/th>\n\u00c9valuation typique<\/th>\nMeilleure utilisation<\/th>\n<\/tr>\n
ScimlBenchmarks<\/td>\nOdes, SDES, DAES, semi-discr\u00e9tisations PDE et mod\u00e8les associ\u00e9s<\/td>\nSch\u00e9mas de pr\u00e9cision du travail, comparaisons de temps, d’erreurs et de solveurs<\/td>\nComparaison des algorithmes d’\u00e9quations diff\u00e9rentielles<\/td>\n<\/tr>\n
pdebench<\/td>\nEnsembles de donn\u00e9es PDE d\u00e9pendant du temps pour le ML scientifique<\/td>\nErreur de pr\u00e9diction, qualit\u00e9 de d\u00e9ploiement, formation et performances d’inf\u00e9rence<\/td>\nComparaison des substituts de PDE neuronaux et des mod\u00e8les d’apprentissage par l’op\u00e9rateur<\/td>\n<\/tr>\n
HPCG<\/td>\nCharge de travail lin\u00e9aire clairsem\u00e9e structur\u00e9e sur les syst\u00e8mes HPC<\/td>\nPerformances et \u00e9volutivit\u00e9 au niveau du syst\u00e8me<\/td>\n\u00c9valuation de la mani\u00e8re dont le mat\u00e9riel HPC g\u00e8re les op\u00e9rations peu repr\u00e9sentatives<\/td>\n<\/tr>\n
SuitesParse Matrix Collection<\/td>\nDe v\u00e9ritables matrices clairsem\u00e9es de nombreux domaines d’application<\/td>\nEx\u00e9cution, m\u00e9moire, convergence, robustesse et comportement de factorisation<\/td>\nTester des algorithmes de matrice parcimonie et des biblioth\u00e8ques de solveurs<\/td>\n<\/tr>\n
Asu Mittelmann<\/td>\nOptimisation continue, discr\u00e8te et contrainte par PDE<\/td>\nEx\u00e9cution, instances r\u00e9solues, optimalit\u00e9 et robustesse<\/td>\nComparaison des logiciels d’optimisation<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Clarification des noms de r\u00e9f\u00e9rence non v\u00e9rifi\u00e9s<\/h2>\n

Les notes de projets informels et les projets de recherche g\u00e9n\u00e9r\u00e9s font parfois r\u00e9f\u00e9rence \u00e0 des suites appel\u00e9es \u00ab Himas \u00bb ou \u00ab Scibase \u00bb. Ces noms ne doivent pas \u00eatre trait\u00e9s comme des benchmarks scientifiques \u00e9tablis sans publication, r\u00e9f\u00e9rentiel ou source institutionnelle.<\/p>\n

Lorsque vous discutez de l’\u00e9valuation du solveur clairsem\u00e9, il est plus s\u00fbr de r\u00e9f\u00e9rencer la ressource r\u00e9elle utilis\u00e9e, telle que HPCG, SuiteSparse ou une comparaison document\u00e9e impliquant PETSC, Trilinos, Hypre ou Superlu.<\/p>\n

Petsc, Trilinos, Hypre et Superlu sont des biblioth\u00e8ques de solveurs plut\u00f4t qu’une suite de r\u00e9f\u00e9rence combin\u00e9e. Les chercheurs peuvent les comparer sur les m\u00eames matrices ou charges de travail PDE, mais le protocole de test doit \u00eatre d\u00e9fini s\u00e9par\u00e9ment.<\/p>\n

ScimlBenchmarks<\/h2>\n

ScimlBenchmarks<\/a> fournit des comparaisons reproductibles pour les algorithmes d’\u00e9quations diff\u00e9rentielles. Sa couverture comprend des odes non rigides et rigides, des \u00e9quations diff\u00e9rentielles stochastiques, des \u00e9quations diff\u00e9rentielles-alg\u00e9briques, des probl\u00e8mes de valeurs limites et des syst\u00e8mes PDE s\u00e9lectionn\u00e9s apr\u00e8s discr\u00e9tisation spatiale.<\/p>\n

L’outil d’\u00e9valuation central est le diagramme de pr\u00e9cision du travail. Chaque solveur est ex\u00e9cut\u00e9 avec plusieurs param\u00e8tres de tol\u00e9rance ou des configurations num\u00e9riques. L’erreur mesur\u00e9e est trac\u00e9e par rapport au co\u00fbt de calcul, tel que le temps d’ex\u00e9cution, le nombre d’\u00e9valuations de droite ou une autre mesure de travail.<\/p>\n

Un solveur qui appara\u00eet plus pr\u00e8s de la r\u00e9gion inf\u00e9rieure gauche du diagramme fournit g\u00e9n\u00e9ralement une erreur inf\u00e9rieure \u00e0 un co\u00fbt inf\u00e9rieur. Aucun point n’est suffisant car les classements des solveurs peuvent changer \u00e0 mesure que la pr\u00e9cision demand\u00e9e change.<\/p>\n

Ce que r\u00e9v\u00e8lent les diagrammes de pr\u00e9cision du travail<\/h3>\n

Supposons que le solveur A soit plus rapide \u00e0 des tol\u00e9rances l\u00e2ches mais devient inefficace lorsqu’une grande pr\u00e9cision est requise. Le solveur B peut avoir un co\u00fbt d’installation plus \u00e9lev\u00e9 mais une meilleure \u00e9chelle \u00e0 mesure que la tol\u00e9rance devient plus stricte. Une seule comparaison d’ex\u00e9cution masquerait cette distinction.<\/p>\n

L’analyse de la pr\u00e9cision du travail rend visible le compromis pr\u00e9cision-co\u00fbt-co\u00fbt. Il est particuli\u00e8rement utile pour les int\u00e9grateurs de temps adaptatifs car leur nombre de pas et leurs \u00e9valuations de fonctions d\u00e9pendent de la tol\u00e9rance demand\u00e9e.<\/p>\n

Comparaisons inter-langues<\/h3>\n

Les collections de r\u00e9f\u00e9rence SCIML peuvent inclure des algorithmes accessibles via diff\u00e9rents \u00e9cosyst\u00e8mes logiciels. Les tests inter-langues n\u00e9cessitent des soins car les frais g\u00e9n\u00e9raux d’enveloppe, la compilation, l’allocation de m\u00e9moire, les valeurs par d\u00e9faut du solveur et les d\u00e9finitions de contr\u00f4le des erreurs peuvent affecter le r\u00e9sultat.<\/p>\n

Une comparaison \u00e9quitable doit utiliser des \u00e9quations \u00e9quivalentes, des conditions initiales, des tol\u00e9rances, des temps de sortie, des informations sur Jacobien et des crit\u00e8res d’arr\u00eat.<\/p>\n

PDEBench pour l’apprentissage automatique scientifique<\/h2>\n

pdebench<\/a> est con\u00e7u pour la recherche sur l’apprentissage automatique impliquant des syst\u00e8mes physiques bas\u00e9s sur la PDE. Il fournit du code, des ensembles de donn\u00e9es, des mod\u00e8les de base et des outils d’\u00e9valuation pour comparer les substituts appris dans plusieurs familles d’\u00e9quations.<\/p>\n

Les ensembles de donn\u00e9es associ\u00e9s comprennent des probl\u00e8mes tels que l’advection, l’\u00e9quation de Burgers, les syst\u00e8mes de r\u00e9action de diffusion, de diffusion-sorption, les \u00e9quations compressibles de Navier-Stokes, le flux de Darcy et les \u00e9quations d’eau peu profonde.<\/p>\n

Les chercheurs peuvent utiliser les donn\u00e9es fournies pour \u00e9valuer les op\u00e9rateurs de neurones de Fourier, les r\u00e9seaux convolutionnels, les mod\u00e8les autor\u00e9gressifs et d’autres approches scientifiques de ML sans g\u00e9n\u00e9rer ind\u00e9pendamment chaque ensemble de donn\u00e9es de simulation.<\/p>\n

Quelles mesures de PdeBench<\/h3>\n

L’\u00e9valuation d’un mod\u00e8le PDE apprise n\u00e9cessite plus d’une seule erreur au carr\u00e9 moyenne. Les mesures utiles peuvent inclure :<\/p>\n