Arquitectura de Supercomputadores

Usted está aquí

Créditos
6
Tipos
Complementaria de especialidad (Computación de Altas Prestaciones)
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
AC
Los supercomputadores son el exponente de la tecnología de computación de alto rendimiento. En este curso estudiaremos todos los elementos en la arquitectura del sistema de un supercomputador, desde el multiprocesador de memoria compartida a la red de interconexión y clúster de memoria distribuida, incluyendo las infraestructuras que alojan estos supercomputadores. También discutiremos la pila de software del sistema con los modelos de programación paralela y sus herramientas de análisis de rendimiento asociados. Por último vamos a discutir la evolución de estos sistemas de supercomputación para que permitan la convergencia de estos con la compleja analítica avanzada que se requiere en el mundo actual. En este punto, vamos a parar especial atención a los algoritmos de Deep Learning y su ejecución en las plataformas de GPUs.

La componente práctica es la parte más importante de esta asignatura. En este curso se utiliza el método de “learn by doing”, con un conjunto de Hands-on basados en problemas reales que los estudiantes deben llevar a cabo a lo largo del curso. Se realizará una evaluación continuada a lo largo del curso que no permite relajación y que produce mejores resultados y mayor motivación entre los estudiantes. El método se basa igualmente en el trabajo en equipo y que el alumno 'aprenda a aprender' mediante la lectura y presentacion de artículos. De esta manera el estudiante será capaz de adaptarse y anticiparse a las tecnologías que llegaran en los próximos años. Para la parte práctica usaremos recursos de supercomputación del Barcelona Supercomputing Center (BSC-CNS).

Información actualizada se puede obtener en la página webhttp://www.JordiTorres.Barcelona/SA-MIRI-2017 (Actualizado a curso 2018)

Profesores

Responsable

  • Jordi Torres Viñals ( )

Horas semanales

Teoría
2
Problemas
0
Laboratorio
2
Aprendizaje dirigido
0.15
Aprendizaje autónomo
4

Competencias

Competencias Técnicas de cada especialidad

High performance computing

  • CEE4.1 - Capacidad de analizar, evaluar y diseñar computadores y proponer nuevas técnicas de mejora en su arquitectura.
  • CEE4.2 - Capacidad de analizar, evaluar, diseñar y optimizar software considerando la arquitectura y de proponer nuevas técnicas de optimización.
  • CEE4.3 - Capacidad de analizar, evaluar, diseñar y administrar software de sistema en entornos de supercomputación.

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Capacidad para aplicar el método científico en el estudio y análisis de fenómenos y sistemas en cualquier ámbito de la Informática, así como en la concepción, diseño e implantación de soluciones informáticas innovadoras y originales.

Competencias Transversales

Trabajo en equipo

  • CTR3 - Ser capaz de trabajar como miembro de un equipo, ya sea como un miembro más, o realizando tareas de dirección con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Objetivos

  1. To train students to follow by themselves the continuous development of supercomputing systems that enable the convergence of advanced analytic algorithms and big data technologies driving new insights based on the massive amounts of available data.
    Related competences: CEE4.1, CEE4.2, CEE4.3, CG1, CTR3, CB6, CB8, CB9,

Contenidos

  1. Course content and motivation
  2. Supercomputing Basics
  3. HPC Building Blocks (general purpose blocks)
  4. HPC Software Stack (general purpose blocks)
  5. Parallel Programming Models: OpenMP
  6. Parallel Programming Models: MPI
  7. Parallel Performance Metrics and Measurements
  8. HPC Building Blocks for AI servers
  9. Coprocessors and Programming Models
  10. Powering Artificial Intelligence, Machine Learning and Deep Learning with Supercomputing
  11. Parallel AI platforms and its software stack
  12. Distributed AI platforms and its software stack
  13. Conclusions and remarks: Towards Exascale Computing

Actividades

Actividad Acto evaluativo


Course content and motivation


Objetivos: 1
Contenidos:
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Supercomputing Basics



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

HPC Building Blocks (general purpose blocks)



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

HPC Software Stack (general purpose blocks)



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Parallel Programming Models: OpenMP



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Parallel Programming Models: MPI



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Parallel Performance Metrics and Measurements



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

HPC Building Blocks for AI servers



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Coprocessors and Programming Models



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Powering Artificial Intelligence, Machine Learning and Deep Learning with Supercomputing



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Parallel AI platforms and its software stack



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Distributed AI platforms and its software stack



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Conclusions and remarks: Towards Exascale Computing



Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

1- Supercomputing Building Blocks: Marenostrum visit



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

2- Getting Started with Supercomputing



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

3- Getting Started with Parallel Programming Models



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

4- Getting Started with Parallel Performance Metrics



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

5- Getting Started with Parallel Performance Model – I



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

6- Getting Started with Parallel Performance Model – II



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

7- Getting Started with GPU based Supercomputing



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

8- Getting Started with CUDA programming model



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

9- Getting Started with Deep Learning Frameworks in a Supercomputer



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

10- Getting Started with Deep Learning basic model



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.2h
Aprendizaje autónomo
2h

11- Getting Started with a Deep Learning real problems and its solutions



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

12- Getting Started with parallelization of a Deep Learning problems



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

13- Getting Started with a distributed Deep Learning problems



Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0.1h
Aprendizaje autónomo
2h

Metodología docente

The theoretical part of the course will follow the slides designed by the teacher during theory class The practical component is the most important part of this subject. In this course the “learn by doing” method is used, with a set of Hands-on, based on problems that the students must carry out throughout the course. The course will be marked by continuous assessment which ensures constant and steady work. The method is also based on teamwork and a ‘learn to learn' approach reading and presenting papers. Thus the student is able to adapt and anticipate new technologies that will arise in the coming years.
Course Activities:

Class attendance and participation: Regular and consistent attendance is expected and to be able to discuss concepts covered during class.

Lab activities: Hands-on sessions will be conducted during lab sessions using supercomputing facilities. Each hands-on will involve writing a lab report with all the results to be delivered one week later.

Homework Assignments: Homework will be assigned weekly that includes reading documentation that expands the concepts introduced during lectures, and periodically will include reading research papers related with the lecture of the week, and prepare presentations (with slides).

Assessment: There will be some short midterm exams (and could be some pop quiz) along the course (as a part of theory class time). The student will be able to take an optional final exam to improve the score of the midterm exams.

Student presentation. Students/groups randomly chosen will present the homework (presentations/projects).

Método de evaluación

The evaluation of this course will take into account different items:

A) Attendance (minimum 80% required) & participation in class will account for 15% of the grade.
B) Homework, papers reading, paper presentations, will account for 15% of the grade.
C) Exams will account of 15% of the grade.
D) Lab sessions (+ Lab reports) will account for 55% of the grade.

Bibliografía

Básica:

  • - Slides provided by the teacher that will content all the references (each year the documentation is updated),
  • Understanding Supercomputing, to speed up machine learning algorithms - Jordi Torres, Ed. UPC, Barcelona 2017 ,

Web links

Capacidades previas

Programming in C and Linux basics will be expected in the course. Prior exposure to parallel programming constructions, experience with linear algebra/matrices or machine learning knowledge, will be very helpful.