面向算法微分复用索引管理策略的赋值优化
Assign optimization for algorithmic differentiation reuse index management strategies
AI总结：
针对算法微分中线性索引管理与索引复用难以兼顾复制优化的问题，本文提出一种同时复用索引并支持复制优化的赋值方法，并通过合成用例和 SU2 求解器验证其优势。
摘要：
在算子重载型算法微分工具中，原始变量与伴随变量的识别通常通过索引完成。一种方法是线性管理方案，它易于实现，并支持针对复制语句的内存优化。另一种方法则对索引进行复用，实现工作量更大，但可得到小得多的伴随向量。因此，算法微分的向量模式在复用管理方案下具有更好的可扩展性。本文提出一种新颖方法，既复用索引，又允许复制优化，从而结合了上述两种方案的优点。我们在一个简单的合成测试用例以及一个使用计算流体动力学求解器 SU2 的真实示例上，将新方法与已知方法进行了比较。
英文摘要：
The identification of primal variables and adjoint variables is usually done via indices in operator overloading algorithmic differentiation tools. One approach is a linear management scheme, which is easy to implement and supports memory optimization for copy statements. An alternative approach performs a reuse of indices, which requires more implementation effort but results in much smaller adjoint vectors. Therefore, the vector mode of algorithmic differentiation scales better with the reuse management scheme. In this paper, we present a novel approach that reuses the indices and allows the copy optimization, thus combining the advantages of the two aforementioned schemes. The new approach is compared to the known approaches on a simple synthetic test case and a real-world example using the computational fluid dynamics solver SU2.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
