L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

Il corso si propone di fornire conoscenze teoriche e pratiche per la programmazione e l'analisi di architetture di calcolo avanzate con particolare enfasi alle piattaforme multiprocessore e GPU. Conoscenza e capacità di comprensione Capacità di applicare le conoscenze necessarie per individuare tecniche di parallelizzazione di applicazioni Software, anche in un contesto di ricerca, attraverso l'analisi dell'efficienza delle applicazioni considerando vincoli funzionali e non funzionali di progettazione (correttezza, performance, consumo energetico). Conoscenze applicate e capacità di comprensione Analisi delle performance e profiling del codice, con individuazione zone critiche e relativa ottimizzazione considerando caratteristiche architetturali della piattaforma. Autonomia di giudizio Capacità di confrontare pattern di parallelismo diversi e scegliere tra questi il piu adeguato a seconda del contesto d'uso. In fase di definizione della struttura del codice ottimizzato, capacità di fare le scelte progettuali più appropriate a seconda del contesto e piattaforma in cui l'applicazione parallela verrà usata. Abilità comunicative Lo studente sarà, inoltre, in grado di relazionarsi con gli interlocutori nell'ambiente lavorativo o di ricerca. Capacità di apprendere Capacità di proseguire gli studi in modo autonomo nell’ambito dei linguaggi di programmazione paralleli e dello sviluppo di software per piattaforme embedded e/o parallele.

Prerequisiti e nozioni di base

Programmazione di base in C

Programma

Theory
- Intro to parallel and heterogeneous architectures
- Intro to CUDA C
- GPU parallelism model
- Memory and data locality
- Thread Execution Efficiency
- Memory Access Performance
- Parallel Computation Patterns (Histogram)
- Parallel Computation Patterns (Stencil)
- Parallel Computation Patterns (Reduction)
- Parallel Computation Patterns (Scan)
- Floating-Point Considerations
- GPU as Part of the PC Architecture
- Efficient Host-Device Data Transfer
- Application Case Study: Advanced MRI Reconstruction

Lab
CUDA
MPI

Bibliografia

Modalità didattiche

Lezioni frontali per teoria
Lezioni frontali e sviluppo codice in lab.

Modalità di verifica dell'apprendimento

Esercizi a risposta aperta (tempo totale 2 ore)

Criteri di valutazione

Per superare l'esame lo studente dovrà dimostrare di:
- aver compreso i principi alla base della programmazione parallela
- essere in grado di esporre le proprie argomentazioni in modo preciso e organico senza divagazioni
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.

Criteri di composizione del voto finale

L'esame consiste in una prova scritta, contenente domande a risposta multipla, domande a risposta aperta ed esercizi riguardanti sia la parte teorica che di laboratorio. Il punteggio massimo di ogni esercizio dipende dalla complessità. La somma dei massimi punteggi è 32/30. Lo studente potrà elaborare un progetto assegnato dal docente per un bonus (fino a +5 punti).

Lingua dell'esame

English