عنوان انگلیسی مقاله: A high performance scientific cloud computing environment for materials simulations
عنوان فارسی مقاله: محیط محاسبات ابری علمی کارآمد برای شبیه سازی مواد
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 23
_______________________________________
چکیده
ما
به شرح پلتفرم (مبنای) پیشرفت محاسبات ابری علمی (SCC) که ظرفیت محاسبه
کارآمد را ارائه میدهند، می پردازیم. این پلتفرم شامل نمونه آزمایشی از
دستگاه مجازی علمی شامل سیستم عامل یونیکی و چندین کد علمی مواد، به همراه
ابزارهای رابط مهم (تولست SCC) می باشد که نقش های قابل مقایسه با خوشه های
محاسبه محلی را ارائه می دهد. مشخصا، تولست SCC (محاسبات ابری علمی) ایجاد
اتوماتیک خوشه های مجازی را برای محاسبات موازی، و همچنین تسهیلات I/O (صفر و یک) مناسبی را که امکان ارتباطات یکپارچه را در مورد محاسبات ابری
ایجاد می کنند، فراهم می کند. پلفرم SCC (محاسبات ابری علمی) مورد نظر ما
برای محاسبات ابری انعطاف پذیر آمازون مطلوب می باشد (EC2). ما به ارائه
مبنایی برای برنامه های کاربردی علمی پیش الگو پرداخته و به اثبات
عملکردهای قابل مقایسه با خوشه های محاسباتی محلی می پردازیم. برای ساده
سازی اجرای کد و فراهم کردن دسترسی کاربرپسند، همچنین به ادغام قابلیت
محاسبه ابری در رابط گرافیک کاربری (GUI) مبتنی بر زبان برنامه نویسی جاوا
پرداخته ایم. پلتفرم SCC (محاسبات ابری علمی) مورد نظر ما، به عنوان
جایگزینی برای منابع HPC (محاسبه با کارایی بالا) برای علم مواد یا
کاربردهای
شیمی کوانتوم می باشد.
کلیدواژه: محاسبه ابری، محاسبه علمی، محاسبه کارامد،
فیزیک ماده چگال (فشرده شده)
مقدمه
محاسبه
ابری (CC) به عنوان الگوی محاسباتی می باشد که منابع مقیاس پذیر پویا،
مجازی به عنوان خدماتی بر روی
اینترنت می باشند [1–4]. این الگو شاهد
پیشرفت های قابل توجهی در چند سال گذشته، به ویژه با ظهور چندین سرویس
محاسبه ابری تجاری که از صرفه جویی های مقیاس مزایای بدست می آورند، بوده
است [5–9]. درحالیکه بسیاری از کاربردهای تجاری به سرعت پیشرفت CC (محاسبه
ابری) را مد نظر قرار داده اند، دانشمندان در بکارگیری ظرفیت های محیط CC
کندتر عمل کرده اند. اشتراک منابع محاسباتی همانند خوشه های بیوولف که اغلب
برای مواد چگال (به هم فشرده) امروزی و شبیه سازی علم مواد، برای
دانشمندان چیز جدیدی نیست. همچنین منابع ابرمانند همانند محاسبه گرید و
خوشه های کندور برای بعضی از کاربردهای علمی مفید می باشد.