8、混合精度对数据驱动的森林火灾蔓延系统加速的影响

混合精度对数据驱动的森林火灾蔓延系统加速的影响

1. 引言

每年，森林火灾都会在全球范围内烧毁数千公顷的森林，给受灾地区的经济和人民带来巨大损失。因此，计算火灾蔓延模型成为了减轻野火影响的有用工具。但森林火灾预测误差部分源于模型所需输入数据的不确定性。近年来，人们开发了不同策略来减少这种输入数据不确定性的影响，其中一种是引入数据驱动的校准阶段，利用遗传算法（GA）根据火灾的实际演变调整输入参数。然而，这种校准策略计算量大且耗时。

大多数科学代码默认对所有浮点变量使用双精度，很多情况下，程序中的并非所有变量都需要双精度。不同研究表明，混合精度方法能为多种科学代码带来潜在好处，可在保证功能可接受影响的前提下，为计算和内存密集型算法实现显著加速。

本文提出一种直接的方法来审查双精度变量的必要性，以提高应用程序的整体性能，并将该方法应用于森林火灾蔓延模拟器的代码中。我们选用了FARSITE（Fire Area Simulator）作为森林火灾蔓延模拟器，它基于Rothermel模型，是广泛接受和验证的野火蔓延模拟器。我们重点关注定义FARSITE浮点数处理性能的主要算法，主要是火灾周长扩展和周长重建模块，这两个模块占总执行时间的67%（周长扩展占7%，周长重建占60%）。通过应用两阶段策略校准输入值，并执行GA进行数百次模拟（本文中为10代，每代128个个体），若能降低运行这些个体的复杂度，即使改善不明显，对所有代和最终预测也会有累积效果。为保证预测准确性，我们仅修改对火灾演变影响不大的变量的精度。

2. 混合精度方法

多数计算科学代码高估了模型所需的数值精度，导致模拟器使用了超过实际需要的精度。通过更合适地选择32位和64位浮点运算，一些科学