用于半线性偏微分方程和倒向随机微分方程的分层回归蒙特卡洛方案及其在GPU上的大规模并行化
数值分析
2024-08-01 v1 数值分析
摘要
本文设计了一种基于最小二乘蒙特卡洛（LSMC）的新算法，用于逼近离散时间倒向随机微分方程（BSDE）的解。我们的算法允许在图形处理器（GPU）等多核处理器上进行大规模计算并行化。我们的方法包含一种新颖的分层方法，该方法对于大规模并行化至关重要。通过这种方式，我们最小化了由于存储模拟而导致的内存需求。确实，我们注意到该方法与先前工作相比具有更低的内存开销。
引用
@article{arxiv.2407.21085,
title = {Stratified regression Monte-Carlo scheme for semilinear PDEs and BSDEs with large scale parallelization on GPUs},
author = {E. Gobet and J. G. López-Salas and P. Turkedjiev and C. Vázquez},
journal= {arXiv preprint arXiv:2407.21085},
year = {2024}
}