taichi. Для многомерных массивов ничего лучше не видел. taichi.Vector.field самое гениальное, что можно было придумать, чтобы создавать массивы любых размерностей в каждом элементе которого могут быть другие массивы любых размерностей с полной читаемостью происходящего. Да и cuda из коробки. И киллер фича - конвертация собственных массивов в numpy.
Коллайдеры это отдельная песня и всякие реакторы с кучей датчиков. Чаще всего данных кот наплакал, и работать приходится с парой зависимостей или просто конечными результатами, которые еще и измерены со слабой точностью. Я работаю над моделированием магнетронных распылительных систем и из экспериментальных данных у меня только стартовые условия, один-два ВАХ-а и распыленная мишень. И крутись как хочешь. Обрабатывать толком и нечего, только использовать как справочный материал.
На том же питоне достаточно библиотек для визуализации данных. Те же matplotlib или pyvista. На любой вкус и цвет. В большую часть gui-шных библиотек вкручен функционал по построению графиков.
У нас область микро-и наноэлектроники. поэтому есть своя специфика, что и как можно делать. Частенько просто экспериментальных данных с их анализом достаточно, чтобы считаться нормальным специалистом. А там где чистые матанщики - без программирования делать нечего.
Представьте себе. Нынче модно использовать готовый софт, доставшийся от предыдущих поколений, и ничего нового не создавать. И в технических сферах чаще всего нет таких данных, чтобы для них подключать программирование, а екселя достаточно, чтобы построить линии тренда. Для написания серьезного софта с серьезным моделированием мало у кого есть соответствующие знания, и их в моей стране толком ни в одном вузе не дают, и работа ведется по более простым путям.
Это чаще всего ключевое. Ибо в моем случае необходимо аргументировать откуда лицензия на ушедший из снг софт и на который никто денег не выделяет, а если сам написал, то никаких вопросов нет. Несмотря на то, что спиратить не проблема.
Я понимаю о чем вы, но мне с такими масштабами работать не приходилось. Максимум под 100 гиг памяти. Да и требований запускать ракеты с дурной точностью тоже. Поэтому про такое сказать ничего не могу. В научной среде нормальное железо толком не выделяют, да и большинство ученых, которых я знаю программирование вообще стороной обходят, либо используют готовый софт, что печально, ибо неоткуда брать опыт.
Я знаю лишь о том, что сам использую. А так вариантов довольно много и кому не лень пишут такие библиотеки и фреймворки, поэтому разработчики используют на свое усмотрение. А так то, что для нейронок можно использовать и для обычных вычислений, просто такие инструменты сильнее заточены под работу с числами точностью меньше float32. Все равно чаще всего они опираются на cuda под капотом и доступен весь его функционал.
Я использую taichi. Позволяет параллелить на процессоре или видеокарте используя cuda или vulkan. Пишешь на питоноподомном синтаксисе, а код преобразуется в плюсовый, а потом в машинный. Сильно экономит время и объем кода. Также можно встроенными способами объединять несколько систем в один кластер. Правда я это не использую, ибо никто мне много компов не выделил. Дали 4070 и на том спасибо. Еще популярен pytorch, но он скорее для нейросеток.
Знаю про такое. У нас квантмех моделируют. Говорят, что видеокарты не подходят, чтобы ускорять расчеты, ввиду ограничений точности возможных использований типов переменных, а также нужно по 200+ гигов оперативы. Пишут на голом фортране. И используют древние супер компы на зеончиках. Но надо понимать, что там костыльная база 30-тилетней давности, которую никто на что-то современное переписывать не будет. Тем более, что там и работают над этим уже по сути деды. А я начал на питоне и уходить с него не увидел причин, т.к. чаще всего и float32 хватает, чтобы приближенно плазму в тлеющем разряде посчитать.
Никто и не утверждает что голый питон производителен. Но я не могу найти ситуации, когда для решения научной задачи ты не можешь установить numpy, numba, taichi и подобные, которые закрывают все возможные потребности, с которыми можно столкнуться на практике, и не писать при этом в 5 раз больше кода. Тем более, что реализации популярных алгоритмов на подобных библиотеках часто находятся в общем доступе, и всегда можно залезть под капот.
Многие животные слышат инфразвук и умеют им общаться, как те же кошачьи. Во время начальных стадий землетрясений создается инфразвук, который животные и слышат, а мы нет.
taichi. Для многомерных массивов ничего лучше не видел. taichi.Vector.field самое гениальное, что можно было придумать, чтобы создавать массивы любых размерностей в каждом элементе которого могут быть другие массивы любых размерностей с полной читаемостью происходящего. Да и cuda из коробки. И киллер фича - конвертация собственных массивов в numpy.
Коллайдеры это отдельная песня и всякие реакторы с кучей датчиков. Чаще всего данных кот наплакал, и работать приходится с парой зависимостей или просто конечными результатами, которые еще и измерены со слабой точностью. Я работаю над моделированием магнетронных распылительных систем и из экспериментальных данных у меня только стартовые условия, один-два ВАХ-а и распыленная мишень. И крутись как хочешь. Обрабатывать толком и нечего, только использовать как справочный материал.
На том же питоне достаточно библиотек для визуализации данных. Те же matplotlib или pyvista. На любой вкус и цвет. В большую часть gui-шных библиотек вкручен функционал по построению графиков.
У нас область микро-и наноэлектроники. поэтому есть своя специфика, что и как можно делать. Частенько просто экспериментальных данных с их анализом достаточно, чтобы считаться нормальным специалистом. А там где чистые матанщики - без программирования делать нечего.
Не знаю, не пользовался.
Представьте себе. Нынче модно использовать готовый софт, доставшийся от предыдущих поколений, и ничего нового не создавать. И в технических сферах чаще всего нет таких данных, чтобы для них подключать программирование, а екселя достаточно, чтобы построить линии тренда. Для написания серьезного софта с серьезным моделированием мало у кого есть соответствующие знания, и их в моей стране толком ни в одном вузе не дают, и работа ведется по более простым путям.
Это чаще всего ключевое. Ибо в моем случае необходимо аргументировать откуда лицензия на ушедший из снг софт и на который никто денег не выделяет, а если сам написал, то никаких вопросов нет. Несмотря на то, что спиратить не проблема.
Я понимаю о чем вы, но мне с такими масштабами работать не приходилось. Максимум под 100 гиг памяти. Да и требований запускать ракеты с дурной точностью тоже. Поэтому про такое сказать ничего не могу. В научной среде нормальное железо толком не выделяют, да и большинство ученых, которых я знаю программирование вообще стороной обходят, либо используют готовый софт, что печально, ибо неоткуда брать опыт.
Я знаю лишь о том, что сам использую. А так вариантов довольно много и кому не лень пишут такие библиотеки и фреймворки, поэтому разработчики используют на свое усмотрение. А так то, что для нейронок можно использовать и для обычных вычислений, просто такие инструменты сильнее заточены под работу с числами точностью меньше float32. Все равно чаще всего они опираются на cuda под капотом и доступен весь его функционал.
Я использую taichi. Позволяет параллелить на процессоре или видеокарте используя cuda или vulkan. Пишешь на питоноподомном синтаксисе, а код преобразуется в плюсовый, а потом в машинный. Сильно экономит время и объем кода. Также можно встроенными способами объединять несколько систем в один кластер. Правда я это не использую, ибо никто мне много компов не выделил. Дали 4070 и на том спасибо. Еще популярен pytorch, но он скорее для нейросеток.
Знаю про такое. У нас квантмех моделируют. Говорят, что видеокарты не подходят, чтобы ускорять расчеты, ввиду ограничений точности возможных использований типов переменных, а также нужно по 200+ гигов оперативы. Пишут на голом фортране. И используют древние супер компы на зеончиках. Но надо понимать, что там костыльная база 30-тилетней давности, которую никто на что-то современное переписывать не будет. Тем более, что там и работают над этим уже по сути деды. А я начал на питоне и уходить с него не увидел причин, т.к. чаще всего и float32 хватает, чтобы приближенно плазму в тлеющем разряде посчитать.
Никто и не утверждает что голый питон производителен. Но я не могу найти ситуации, когда для решения научной задачи ты не можешь установить numpy, numba, taichi и подобные, которые закрывают все возможные потребности, с которыми можно столкнуться на практике, и не писать при этом в 5 раз больше кода. Тем более, что реализации популярных алгоритмов на подобных библиотеках часто находятся в общем доступе, и всегда можно залезть под капот.
Многие животные слышат инфразвук и умеют им общаться, как те же кошачьи. Во время начальных стадий землетрясений создается инфразвук, который животные и слышат, а мы нет.