基于人工神经网络的FLASH AMR代码I/O优化方案研究

《Astronomy and Computing》：An Artificial Neural Network based scheme for I/O FLASH AMR code optimization

本文提出了一种基于人工神经网络（ANN）的高性能计算（HPC）流体动力学代码FLASH的I/O性能优化方案。作者通过约10000次真实I/O运行数据训练ANN模型，实现了对MPI I/O吞吐量（MiB/s）和运行时（s）的精准预测（测试集R2=0.78-0.99），为动态优化自适应网格加密（AMR）模拟的并行I/O配置提供了智能解决方案。

　　

¹结果

人工神经网络（ANN）在数据集上成功完成训练，尽管存在部分Darshan日志不完整的限制。该模型（Sortino和Antonuccio-Delogu，2025）在MPI I/O性能（MiB/s）预测方面达到以下指标：交叉验证均方根误差（RMSE）=52.3±1.9，交叉验证R2=0.79±0.01，测试集RMSE=52.6，测试集R2=0.78，测试集平均绝对误差（MAE）=31.2；在运行时预测方面表现更为优异：交叉验证RMSE=1.44±0.7，交叉验证R2=0.99±0.00，测试集RMSE=1.48秒，测试集R2=0.99，测试集MAE=0.94秒。

²总结与结论

虽然一个ANN模型专注于优化MPI I/O性能，另一个针对运行时进行优化，但分析证实这两个指标并非严格线性相关：个别案例显示运行时间改善并未伴随吞吐量提升，这支持了以运行时为导向的配置选择策略。这些现象揭示了I/O优化的复杂性，以及建立直接性能-运行时关联的挑战。模型同时纳入应用层（如处理器数量、聚合器策略）和系统层（如系统负载、文件系统争用）特征参数，为构建更精准的自适应优化框架奠定了基础。