Στοιχεία Μαθήματος

Πρόγραμμα Σπουδών* --------- ΠΜΣ Πληροφορική και Τηλεματική Προπτυχιακό Πρόγραμμα Σπουδών (Παλιό) Προπτυχιακό Πρόγραμμα Σπουδών Προηγμένες Τεχνολογίες Πληροφορικής και Εφαρμογές ΠΜΣ Εφαρμοσμένη Πληροφορική ΠΜΣ Επιστήμη των Υπολογιστών και Πληροφορική

Κωδικός Μαθήματος (Ελληνικά)*

Εξάμηνο*

Τίτλος (Ελληνικά)*

Ώρες Διδασκαλίας Θεωρίας (Εβδομαδιαία)

Μονάδες ECTS*

Τύπος Μαθήματος (Ελληνικά)

Προαπαιτούμενα (Ελληνικά) Προγραμματισμός Ι (ΥΠΟ2) Προγραμματισμός ΙΙ (ΥΠ05) Διακριτά Μαθηματικά (ΥΠ09) Υπολογιστικά Μαθηματικά (ΜΥ01) Αριθμητική Ανάλυση (ΜΥ03)

URL Μαθήματος (π.χ. στο e-class)

Μαθησιακά Αποτελέσματα (Ελληνικά) Σκοπός του μαθήματος είναι η εισαγωγή στις σύγχρονες αρχιτεκτονικές παράλληλης επεξεργασίας και στις τεχνικές υψηλής απόδοσης στον παράλληλο προγραμματισμό. Οι φοιτητές/φοιτήτριες μελετούν μοντέλα και αρχές παράλληλης εκτέλεσης, όπως ο νόμος του Amdahl, η κατηγοριοποίηση κατά Flynn και η μοντελοποίηση επιδόσεων (π.χ. Roofline model), ενώ εξετάζουν υπολογιστικές αρχιτεκτονικές όπως πολυπύρηνοι επεξεργαστές, GPUs και ετερογενή συστήματα. Κατά τη διάρκεια του μαθήματος, οι φοιτητές κατανοούν έννοιες όπως μη ντετερμινισμός, race conditions, κρίσιμα τμήματα, και συγχρονισμός. Παρουσιάζονται και εφαρμόζονται τεχνικές παράλληλου προγραμματισμού σε MPI, OpenMP, POSIX Threads, CUDA και OpenACC, καθώς και υβριδικές τεχνικές (π.χ. MPI+CUDA). Το εργαστηριακό σκέλος περιλαμβάνει εφαρμογές υψηλής απόδοσης σε πραγματικά σενάρια, όπως η επίλυση γραμμικών συστημάτων, η επεξεργασία μεγάλων δεδομένων και η παραλληλοποίηση αριθμητικών υπολογισμών σε GPU.

Γενικές Δεξιότητες (Ελληνικά) Αυτόνομη Εργασία Ομαδική Εργασία Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών Λήψη αποφάσεων Προσαρμογή σε νέες καταστάσεις Αυτόνομη Εργασία

Περιεχόμενο Μαθήματος (Ελληνικά) Εισαγωγή στην Παράλληλη Υπολογιστική – Μοντέλα και αρχές Ο νόμος του Amdahl, νόμος του Gustafson Ταξινόμηση κατά Flynn – SISD, SIMD, MISD, MIMD Τοπολογίες και Δίκτυα Διασύνδεσης – Mesh, Torus, Fat Tree Αρχιτεκτονικές κοινής και κατανεμημένης μνήμης Αρχιτεκτονικές περάσματος μηνυμάτων και ετερογενή συστήματα Κρυφές μνήμες και μοντέλα συνοχής Μη ντετερμινισμός, Race Conditions, Critical Sections Παράλληλος Προγραμματισμός σε: - MPI (Message Passing Interface) - OpenMP και POSIX Threads - CUDA, OpenACC, GPU Kernels Εισαγωγή στο Roofline Model και benchmarking (π.χ. LINPACK) Υβριδικά συστήματα (MPI + OpenMP / CUDA) Παράδειγμα εφαρμογών HPC: Επιστήμη Δεδομένων, Κλιματικά Μοντέλα, Γραφικά

Χρήση ΤΠΕ (Ελληνικά) Προγραμματιστικά περιβάλλοντα: MPI, OpenMP, POSIX Threads, CUDA, OpenACC Χρήση GPU-enabled servers (όπου είναι διαθέσιμα) Χρήση εργαλείων ανάλυσης επιδόσεων (e.g., nvprof, gprof, perf) Ηλεκτρονική επικοινωνία με τους φοιτητές/φοιτήτριες Χρήση παρουσιάσεων σε ψηφιακή μορφή Υποστήριξη της διαδικασίας μάθησης μέσω της χρήσης της ηλεκτρονικής πλατφόρμας e-class

Είναι επιλογής; Άγνωστο Ναι Όχι

Φόρτος μέσα στο Εξάμηνο (Ώρες)

Διδασκαλίας

Εργαστήριο

Αυτοδύναμη Μελέτη*

Εργασία (Project)*

Εργαστηριακή Αναφορά*