To cite this paper use one of the standards below:
Em computação de alto desempenho (HPC), a solução eficiente de grandes sistemas lineares esparsos é fundamental,
sendo os métodos iterativos a escolha predominante. No entanto, a performance desses métodos está ligada ao precondicionador
escolhido. A diversidade das matrizes esparsas
dificulta a escolha dos precondicionadores. Avançando em metodologias anteriores, apresentamos uma representação da esparsidade de matrizes
por meio de imagens RGB. Utilizando uma rede neural convolucional
(CNN), a tarefa de seleção do precondicionador se transforma em um problema de classificação
multi-classe. Testes extensivos em 126 matrizes da coleção SuiteSparse enfatizam a
adequação do modelo CNN, observando um aumento de 32\% na acurácia e uma redução de 25\%
no tempo de execução.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper