Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:
Laurea magistrale in Ingegneria e scienze informatiche - Immatricolazione dal 2025/2026Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
Insegnamenti | Crediti | TAF | SSD |
---|
2° Anno Attivato nell'A.A. 2017/2018
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Due insegnamenti a scelta
Legenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
Architetture avanzate (2016/2017)
Codice insegnamento
4S02910
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Architectures and systems for biological data processing del corso Laurea magistrale in Medical bioinformatics [LM-18]
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Periodo
II sem. dal 1 mar 2017 al 9 giu 2017.
Obiettivi formativi
Il corso ha l’obiettivo di fornire gli strumenti per la programmazione e l'analisi di architetture di calcolo avanzate con particolare enfasi alle piattaforme multiprocessore e GPU. Per ogni argomento sono previste lezioni teoriche e di seguito (stesso giorno o giorni seguenti secondo il calendario) esercitazione in laboratorio. A completamento del corso gli studenti saranno in grado di programmare architetture parallele avanzate per ottimizzare i tempi di calcolo (performance) nel contesto di applicazioni complesse o grosse moli di dati. Saranno altresì analizzati e ottimizzati performance, work-efficiency e qualità dei risultati della computazione parallela.
Programma
Teoria (32h):
Intro High-performance computing (HPC)
Parallel architectures
Parallel programming models
HPC and Symmetric Multi-Processors (SMP): OpenMP
HPC and Message Passing Interface (MPI): OpenMPI
Graphic Processing Units (GPUs): overview, parallel programming model, threads, memory model.
Performance measurement
GPU performance considerations
GPU data transfers and streams.
Parallel graph algorithms for GPUs: BFS and SSSP
OpenCL and OpenACC
Modeling for qualitative simulation in Systems Biology targeting HPC
Laboratorio (24h):
OpenMP
OpenMPI
CUDA
OpenCL
R parallel pack
Qualitative modelling lab.
Autore | Titolo | Casa editrice | Anno | ISBN | Note |
---|---|---|---|---|---|
John L. Hennessy, David A. Patterson | Computer Architecture - A Quantitative Approach (Edizione 5) | Morgan Kaufmann | 2011 | 012383872X | |
David B. Kirk, Wen-mei W. Hwu | Programming Massively Parallel Processors - A Hands-on Approach (Edizione 3) | Morgan Kaufmann | 2017 | 978-0-12-811986-0 |
Modalità d'esame
L’esame consiste nello sviluppo di un progetto concordato con il docente previo richiesta via email e appuntamento per l’elaborazione delle specifiche (il progetto ha validità tutto l’anno accademico). I progetti hanno diversi livelli di difficoltà. Ad ogni difficoltà corrisponde un valore massimo di valutazione. Gli studenti sosteranno un colloquio per commentare e approfondire la prova sostenuta.
I frequentanti al corso potranno esporre alla classe le tematiche del loro progetto, il contesto di ricerca in cui il progetto è collocato, e lo stato di avanzamento dello stesso.
Il voto per il progetto (voto_progetto) è espresso in trentesimi.
Il voto finale è calcolato come min(31, (voto_progetto + Bias)).
Bias è espresso nell'intervallo[-4,+4] e riflette la maturazione e autonomia scientifica acquisita durante lo sviluppo del progetto, nell’esposizione e nell’interpretazione della letteratura scientifica e del contesto scientifico del progetto.