Creación de un modelo de ejecución generalizado para sistemas computacionales paralelos de datos anidados
DOI:
https://doi.org/10.29018/issn.2588-1000vol6iss45.2022pp233-249Palabras clave:
multiprocesador, modelo paralelo, arquitectura, programasResumen
El presente trabajo analiza los muchos intentos de simplificar la tarea de programar las arquitecturas multiprocesador paralelas actuales, el más exitoso es el paradigma del paralelismo de datos. Gran parte del aspecto del modelo radica en su vista de alto nivel de la máquina paralela junto con su mapeo eficiente a una gran clase de arquitecturas del mundo real. Se realizará un análisis exhaustivo de la literatura científica relacionada con las variables de estudio de la investigación, en especial de los artículos referentes a la experiencia de crear modelos de ejecución generalizado para sistemas computacionales paralelos de datos anidados. Si bien el modelo de ejecución generalizado para sistemas computacionales paralelos de datos anidados ha sido muy efectivo al permitir la especificación altamente paralela de operaciones en arreglos rectangulares, su aplicabilidad a programas que usan estructuras de datos menos regulares es muy limitada. Un programa de datos paralelos está compuesto por una secuencia de operaciones orientadas a la recopilación de alto nivel a través de las cuales se ejecuta una única ruta conceptual de control. Históricamente, el éxito del modelo de datos en paralelos de computación puede atribuirse en gran medida al desarrollo de arquitecturas informáticas que incorporan directamente modelos de ejecución, los paradigmas SIMD y SPMD, útiles para soportar un modelo de datos en paralelos. Se han propuesto varios lenguajes de programación que se centran en construcciones de datos en paralelo como la fuente principal de paralelismo en los programas.
Descargas
Citas
Acar, U. A. (2020). Batch-dynamic Algorithms via Parallel Change Propagation and Applications to Dynamic Trees. arXiv preprint arXiv:2002.05129.
Carratalá Sáez, R. (2016). Aprovechamiento del paralelismo de tareas en factorizaciones de matrices jerárquicas sobre procesadores multinúcleo.
Danhke, G. (1989). Investigación y comunicación. La comunicación humana: Ciencia social, 385-454.
Duncan, J. L. (2020). Distinguishing between parallel and serial processing in visual attention from neurobiological data.
Efros, V. D. (2020). Program to calculate coefficients of transformations between three–particle hyperspherical harmonics. Computer Physics Communications, 107281.
Giri, S. K. (2020). Purifying electron spectra from noisy pulses with machine learning using synthetic Hamilton matrices. Physical Review Letters, 124(11), 113201.
Globa, L. S. (2008). Parallel computing process algorithm. In 2008 International Conference on" Modern Problems of Radio Engineering, Telecommunications and Computer Science"(TCSET) (pp. 467-469). IEEE.
Hillis, W. D. (1986). Data parallel algorithms. Communications of the ACM, 29(12), 1170-1183.
Jonasson, K. S. (2020). Algorithm 1005: Fortran Subroutines for Reverse Mode Algorithmic Differentiation of BLAS Matrix Operations. ACM Transactions on Mathematical Software (TOMS), 46(1), 1-20.
Júnior, W. &. (2020). Estudo e aplicação de visão computacional e redes neurais para localização e detecção de falhas em montagem de PCBS.
Kumbhar, P. A. (2019). An optimizing multi-platform source-to-source compiler framework for the NEURON MODeling Language. arXiv preprint arXiv:1905.02241.
Kumbhare, S. &. (2020). Parallel Adapative Monte Carlo Optimization, Sampling, and Integration in C/C++, Fortran, MATLAB, and Python. Bulletin of the American Physical Society.
Liu, C. Z. (2020). An efficient iterative graph data processing framework based on bulk synchronous parallel model. Concurrency and Computation: Practice and Experience, 32(3), e4432.
Moreira, R. E. (2016). Definição semântica de blocos everywhere para programação simd.
Naterop, L. S. (2020). handyG—Rapid numerical evaluation of generalised polylogarithms in Fortran. Computer Physics Communications, 107165.
Reiser, B. J. (2020). Knowledge Representation and Explanation in G| L, An Intelligent Tutor for Programming. Computer assisted instruction and intelligent tutoring systems: Shared goals and complementary approaches, 111.
Riesen, R. G. (2019). Overview: The Rise of Linux. In Operating Systems for Supercomputers and High Performance Computing (pp. 95-98). Springer, Singapore.
Sampieri, R. H. (1998). Metodología de la investigación (Vol. 6). México, DF: Mcgraw-hill.
Shazeer, N. M. (2020). U.S. Patent Application No. 16/682,611.
Stunkel, C. G. (2020). The High-Speed Networks of the Summit and Sierra Supercomputers. IBM Journal of Research and Development.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Los autores mantienen los derechos sobre los artículos y por lo tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente el trabajo en sus sitios web personales o en depósitos institucionales, luego de su publicación en esta revista, siempre y cuando proporcionen información bibliográfica que certifique su publicación en esta revista.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
