Durante las pruebas del algoritmo genético para la diagnosis espectroscópica, me encontré con dos problemas que no dependían de mi algoritmo, sino del entorno de ejecución.

El primero de ellos fue la conexión a Internet de mi casa. Mi conexión se cae cada dos por tres. Si ejecuto el algoritmo genético (es un programa en python) en la conexión ssh al supercomputador, el programa finaliza de forma incorrecta al interrumpirse la conexión. Para evitarlo utilicé el programa nohup. Este programa estándar de UNIX desliga un proceso de su terminal, de modo que aunque el shell o la conexión se corten, el proceso sigue ejecutándose. Esto solucionó el primer problema.

El segundo problema fue el autologout del shell bash. A pesar de ejecutar el programa con nohup, mi nohup ejecutaba un script bash que es el que realmente ejecutaba el algoritmo genético python:

$ nohup run.sh

El script bash run.sh es algo parecido a esto:

#!/bin/bash
NI=200
./clean.sh
python algoritmo.py parametros

La forma de solucionar el autologout fue mediante una variable de entorno llamada TMOUT. Si se pone a 0, el bash nunca hace autologout por falta de actividad de entrada/salida.

El script bash run.sh quedó de este modo:

#!/bin/bash
TMOUT=0
NI=200
./clean.sh
python algoritmo.py parametros

Esto solucionó mis problemas y ya tengo el algoritmo genético ejecutándose y diagnosticando en el Supercomputador de Canarias.

En este post describo un conjunto de herramientas que puede servir para programar un gestor automatizado de trabajos dependientes en el Super Computador de Canarias.

El Super Computador de Canarias es un sistema distribuido de computación adquirido por la Agencia Canaria de Investigación, Innovación y Sociedad de la Información hace un par de años. Se integra en la red española de super computación. Tiene 80 máquinas IBM con 2 procesadores de doble núcleo cada una. En total dispone de 332 procesadores de cómputo. Recientemente he descubierto, además, que un único usuario no puede utilizar más del 61% de los recursos…

Para realizar mis experimentos de diagnosis de plasmas de fusión, necesito ejecutar un algoritmo genético que lanza de 8 a 200 simulaciones del plasma en cada generación. Cada una de estas simulaciones, según el elemento químico y otros parámetros físicos, puede tardar hasta 6 horas, que es el tiempo que manejo con las simulaciones actuales. Es aquí donde el uso del Super Computador es ideal, ya que me permite calcular las 200 simulaciones en paralelo, y en lugar de desayunar durante 1200 horas, sólo lo hago durante 6.

El problema surge en que para que se ejecuten esas simulaciones, hay que enviarlas al cluster mediante las órdenes de envío de trabajos ‘mnsubmit’. Mi algoritmo genético ejecutado en la máquina Atlante de login se encarga de crear los scripts de trabajo para cada simulación y lanzarlos al cluster, y quedarse esperando a que los trabajos terminen. Este proceso, que en lenguaje natural es muy sencillo, requirió el uso de algunas herramientas interesantes, y que pongo a disposición de la comunidad. Están adaptadas de otras herramientas creadas por … bueno, no se por quién, pero lo adapté de aquí: http://www.cac.cornell.edu/wiki/index.php?title=Programmatically_Submitting_Jobs_and_Checking_Whether_They_are_Done. para otro sistema distribuido de cómputo, e incluyen algunos ejemplos.

Super Computador Python Utilities

Aquí­ muestro la primera gráfica de poblaciones iónicas bajo campo de radiación. Pueden observarse los dos picos de poblaciones en distintos iones. Las condiciones del plasma de carbono fueron: Temperatura 50 eV, densidad electrónica 1e21 e-/cm^3 y campo de radiación de 3 eV. Estos resultados pueden estar sujetos a cambios en las próximas semanas…

Como parte del trabajo previo al núcleo que desarrollaré en la tesis, ando implementando un método para calcular los coeficientes de tasas de los procesos atómicos de absorción y emisión estimuladas.

El método que estoy utilizando consiste en integrar en frecuencia energética de los fotones la sección eficaz de la emisión estimulada multiplicada por la intensidad de radiación. Para ello despejo la sección eficaz del proceso (ver Stellar Atmospheres, de D. Mihala, no me se la página) y la dejo en función de la tasa de absorción y el perfil de lí­nea Voigt. Esta tasa la despejo de su relación con la emisión estimulada (ver Bransden página 170, ecuación 4.79b).

Tras los cálculos, el coeficiente de tasas depende de una constante numérica, el coeficiente de tasas de la emisión espontánea y una integral en frecuencia desde 0 a infinito de la multiplicación del perfil de lí­nea y la intensidad del campo de radiación (que escojo Plankiana, por ahora).

Bueno, cuando funcione de verdad, pondré alguna gráfica de poblaciones para ver el efecto con y sin campo.