光譜方法加速模擬
自由空間泊松方程在束流物理與等離子體模擬中擁有廣泛應用，傳統演算法如Hockney‐Eastwood（1988）僅二階收斂，對精度要求高的應用常需極細網格以致計算與記憶體負擔劇增。根據Vico等人在arXiv:2405.02603v2中提出的光譜Poisson求解器，對於充分平滑的來源函數可達到光譜級收斂，換言之，準確度比任何固定階次高，允許以更粗網格取得相同解算誤差，顯著降低高解析度模擬的計算成本與記憶體需求。
並行算法與精度比較
傳統Hockney‐Eastwood方法透過週期性FFT處理延伸域後計算位勢，誤差呈二階收斂（O(h^2)）；而Vico‐Greengard光譜方法利用軟截斷Green函數與空間捲積，配合高效FFT實作，可對平滑函數實現指數級收斂。根據Vico等人（2016）實測結果，當源函數在C∞空間時，誤差隨網格點數N增長呈O(e^{-αN^{1/3}})，遠勝傳統方案。此性能優勢在追求10^{-8}級別誤差時尤為明顯，可將網格尺寸減半卻提升兩個數量級的精度。
可攜式程式庫關鍵實踐
我們將傳統與光譜算法同時整合於IPPL（Independent Parallel Particle Layer）庫中，採用Kokkos作為後端抽象，支援CUDA、HIP、OpenMP與MPI混合並行。為符合GPU有限記憶體，提出雙重優化：一是採用分塊FFT與流式數據重疊，減少一次性全域暫存需求；二是利用on‐the‐fly計算方式重建截斷Green函數，避免大規模查表。這兩項優化使GPU版峰值記憶體佔用下降近40％，同時保持指數收斂與高吞吐量。
多平台效能擴展測試
依據棱鏡計畫（NERSC Perlmutter）上A100 GPU與Intel Xeon CPU的強尺度實驗，單節點GPU版本在2,048³網格下仍維持超過60％效率；CPU多節點（256核）測試則達55％以上。為驗證可攜性，我們亦在CSCS Alps超級電腦與CSC Finland Lumi的GPU分區執行Scaling，結果於512／1,024 GPUs時強尺度均超過50％，顯示跨平台一致的高效能表現。
應用影響與風險評估
對模擬工程師而言，光譜求解器可大幅降低精度需求與硬體成本；對DevOps與HPC管理者，可因記憶體佔用減少而提升平台資源利用率。然而光譜方法對來源函數平滑性敏感，對含尖銳不連續或複雜邊界條件的問題需謹慎評估，否則可能導致吉布斯現象與精度失效。建議根據實際場景權衡算法適用性，並對非平滑情形引入局部加密或混合階方法以確保穩健性。
邀請連結
https://www.okx.com/join?channelId=42974376
