CUDA

Ця ро­бо­та прис­вя­че­на проб­ле­мі іден­ти­фі­ка­ції ре­оло­гіч­них па­ра­мет­рів де­ре­ви­ни з ви­ко­рис­тан­ням штуч­них нейрон­них ме­реж з роз­па­ра­ле­ле­ним ал­го­рит­мом нав­чан­ня за до­по­мо­гою мо­ви прог­ра­му­ван­ня Python, фреймвор­ку Cha­iner та тех­но­ло­гії CU­DA. Роз­роб­ле­но ін­те­лек­ту­аль­ну сис­те­му іден­ти­фі­ка­ції ре­оло­гіч­них па­ра­мет­рів де­ре­ви­ни. Ство­ре­на сис­те­ма міс­тить мак­си­маль­но зро­зу­мі­лий ін­тер­фейс ко­рис­ту­ва­ча, весь не­об­хід­ний ком­плекс інстру­мен­тів для ав­то­ма­ти­за­ції про­це­су ві­зу­алі­за­ції та ана­лі­зу да­них.

Наведено огляд реалізацій алгоритмів ШПФ (швидке перетворення Фур’є) в програмних бібліотеках, які поширені під час розроблення програмного забезпечення, зокрема FFTW, Intel IPP , CUDA CuFFT для реалізації ШПФ. Серед них визначено такі, які б сприяли максимально ефективному використанню обчислювальних ресурсів сучасного комп’ютера.

Розглянуто принципи організації гібридної архітектури кластерних обчислень на основі використання обчислювальних можливостей центрального і графічного процесорів, з підтримкою технології GPGPU. Проаналізовано переваги та недоліки такого методу обчислень, а також показано можливості реалізації паралельних програм на основі використання гібридної архітектури кластерних обчислень. На основі запропонованої програмної моделі реалізовано програмний каркас, який можна використати для розроблення прикладних програм.

Здійснено короткий огляд технологій виконання обчислень на графічному процесорі (GPGPU) та особливостей написання програм при їх використанні. Перевірено ефективність способу виконання поданих потоковим графом алгоритмів на прикладі алгоритму швидкого перетворення Фур’є на графічному процесорі (GPU) з підтримкою технології GPGPU. Показано перспективу цього способу як для виконання на GPU, так і на CPU.

Analysis of characteristics of software implementation of parallelization of process of constructing of discrete dynamical models was conducted in this paper. SIMD-architecture was used for the task of parallelization. Technology CUDA and GPU NVIDIA was used for this software implementation.