Pandemics In Silico：在真实社交接触网络上扩展基于智能体的模拟
分布式、并行与集群计算
2025-03-14 v4
摘要
预防传染病传播需要在各级政府实施干预措施，并评估这些预防措施的潜在影响和效力。基于智能体的建模可用于流行病传播及可能干预措施的详细研究。在大规模社交接触网络中模拟流行病传播需要使用并行算法和资源。在这项工作中，我们提出了 Loimos，一个用于模拟流行病传播的可扩展并行框架。Loimos 采用时间步进与离散事件混合仿真来模拟疾病传播，并构建在一个异步多任务运行时之上。我们证明 Loimos 能够在扩展到大量核心数时实现显著加速。特别是，Loimos 能够在约 42 秒内，利用 NERSC 的 Perlmutter 上的 4096 个核心，模拟加利福尼亚数字孪生上 200 天的 COVID-19 爆发，平均每秒遍历 46 亿条边（TEPS）。
引用
@article{arxiv.2401.08124,
title = {Pandemics In Silico: Scaling an Agent-Based Simulation on Realistic Social Contact Networks},
author = {Joy Kitson and Ian Costello and Jiangzhuo Chen and Diego Jiménez and Stefan Hoops and Henning Mortveit and Esteban Meneses and Jae-Seung Yeom and Madhav V. Marathe and Abhinav Bhatele},
journal= {arXiv preprint arXiv:2401.08124},
year = {2025}
}
备注
13 pages (including references), 9 figures, accepted at the 39th IEEE International Parallel & Distributed Processing Symposium (IPDPS 2025)