La rapida crescita della complessità delle applicazioni moderne ha superato la capacità delle General Purpose Central Processing Unit (GPCPU). Le moderne applicazioni di High Performance Computing (HPC) richiedono più di quanto possano offrire gli attuali processori, creando così un divario di prestazioni tra la richiesta di potenza di calcolo e le prestazioni. Questo ci costringe a cercare nuove soluzioni architetturali, dato che stiamo raggiungendo la fine delle previsioni della Legge di Moore. Una soluzione è l'uso di acceleratori hardware per scaricare le attività ad alta intensità di calcolo dal processore principale. Alcuni esempi di acceleratori hardware sono le Graphic Processing Unit (GPU) e i Field Programmable Gate Array (FPGA). Le GPU, in particolare, hanno recentemente dimostrato di essere un'architettura molto più efficiente rispetto alle GPCPU. Negli ultimi anni le unità di elaborazione grafica sono state ampiamente adottate in molti campi scientifici, dal Machine Learning (ML) alla genomica. Il loro utilizzo consente di ottenere notevoli accelerazioni e miglioramenti nell'efficienza energetica degli algoritmi ad alta intensità di calcolo rispetto alle unità di elaborazione centrale generiche. Tuttavia, gli algoritmi richiedono una conoscenza specifica dell'architettura e delle competenze delle GPU per ottenere risultati significativi. L'obiettivo di questo corso è fornire conoscenze ed esperienza pratica nello sviluppo di applicazioni per sistemi eterogenei accelerati con GPU. Il corso fornirà le conoscenze necessarie per comprendere l'architettura delle GPU utilizzata per l'accelerazione di applicazioni generiche e come può essere resa disponibile in un sistema di elaborazione eterogeneo. Al termine del corso lo studente sarà in grado di sfruttare l'architettura delle GPU per accelerare varie applicazioni utilizzando il linguaggio di programmazione CUDA.

dal Marzo 2023 a Giugno 2023