А.А. Петров1, С.В. Черномордов2, М.А. Кабанов3

1–3 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

Постановка проблемы. В настоящее время гетерогенные архитектуры встречаются во многих областях вычислительной техники – от кластерных суперкомпьютеров и высокопроизводительных серверов до маломощных встраиваемых устройств, включая мобильные телефоны и планшеты. В этой связи задача проведения анализа перспектив применения инструментального программного обеспечения для реализации гетерогенных вычислений является весьма актуальной. Для оценки производительности гетерогенных вычислений особый теоретический и прикладной интерес представляет использование методов нейросетевого моделирования и машинного обучения.

Цель. Выполнить сравнительный анализ инструментального обеспечения гетерогенных вычислений и разработать подход к оценке производительности с применением нейросетевого моделирования.

Результаты. Рассмотрены особенности инструментального обеспечения гетерогенных вычислений и проанализированы возможности применения соответствующих вычислительных платформ для моделирования управляемых технических систем. Дана характеристика современных инструментов гетерогенных вычислений для решения задач машинного обучения. Разработана нейросетевая модель для оценки производительности вычислений. Рассмотрены примеры реализации операций над массивами данных. Проведен ряд вычислительных экспериментов и дана интерпретация результатов.

Практическая значимость. Полученные результаты могут найти применение в задачах компьютерного моделирования управляемых систем, в задачах обеспечения поддержки гетерогенных вычислений, а также в различных задачах, связанных с применением нейросетевых алгоритмов и машинного обучения.

Петров А.А., Черномордов С.В., Кабанов М.А. Анализ инструментального обеспечения гетерогенных вычислений с применением нейросетевого моделирования // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 2. С. 21-29. DOI: https:// doi.org/10.18127/j19998554-202302-02

1. Антонов А.С., Афанасьев И.В., Воеводин В.В. Высокопроизводительные вычислительные платформы: текущий статус и тенденции развития // Вычислительные методы и программирование. 2021. Т. 22. № 2. С. 135–177.
2. Старостин Н.В., Панкратова М.А. Многоуровневые алгоритмы декомпозиции графа данных для параллельных вычислений на гетерогенной вычислительной системе // Вопросы атомной науки и техники. Серия: Математическое моделирование физических процессов. 2016. № 1. С. 60–68.
3. Druzhinina O.V., Masina O.N., Petrov A.A. Up-to-date software and methodological support for studying models of controlled dynamic systems using artificial intelligence // Lecture Notes in Networks and Systems (LNNS). Springer. 2021. V. 1225. P. 470–483.
4. Aggarwal C. Neural Networks and Deep Learning. Springer International Publishing. 2019. DOI: 10.1007/978-3-319-94463-0.
5. Geron A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. OReilly. 2019.
6. Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.
7. Dulhare U.N., Bin Ahmad K.A., Ahmad K. Machine Learning and Big Data: Concepts, Algorithms, Tools and Applications. Wiley. 2020.
8. Мачарадзе Г.Т. MPI-модель организации параллельных вычислений в кластерах гетерогенного типа // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2021. № 3. С. 106–111.
9. Курапов П.А., Мелик-Адамян А.Ф. Оптимизация аналитических запросов в гетерогенных системах // Современные информационные технологии и ИТ-образование. 2021. Т. 17. № 4. С. 972–987.
10. Курапов П.А., Куликов Д.В., Мелик-Адамян А.Ф. Модель затрат для оптимизации аналитических запросов в гетерогенных системах // International Journal of Open Information Technologies. 2022. Т. 10. № 4. С. 61–70.
11. Bystrov O., Kačeniauskas A., Pacevič R., Starikovicius V. Performance evaluation of parallel haemodynamic computations on heterogeneous clouds // Computing and Informatics. 2021. V. 39. № 4. P. 695–723.
12. Antonov A., Zaborovskij V., Kisilev I. Developing a new generation of reconfigurable heterogeneous distributed high performance computing system // Smart Innovation, Systems and Technologies. 2021. V. 220. P. 255–265.
13. Rodriguez D., Alvarez D., Rivera S., Gomez D. A review of parallel heterogeneous computing algorithms in power systems // Algorithms. 2021. V. 14. № 10. DOI: 10.3390/a14100275.
14. Lumpp F., Aldegheri S., Bombieri N., Patel H.D. Task mapping and scheduling for OpenVX applications on heterogeneous multi/many-core architectures // IEEE Transactions on Computers. 2021. V. 70. № 8. P. 1148–1159.
15. Zu Y. Deep learning parallel computing and evaluation for embedded system clustering architecture processor // Design Automation for Embedded Systems. 2020. V. 24. № 3. P. 145–159.
16. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5–17. DOI: 10.18127/j20700970-202002-01.
17. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 1. С. 25–35. DOI: 10.18127/j19998554-202201-03.
18. Масина О.Н., Петров А.А., Дружинина О.В. Основы методологии научных исследований в области моделирования сложных управляемых систем. Учебное пособие. Елец: Елецкий государственный университет им. И.А. Бунина. 2022. 86 с.
19. Дружинина О.В., Масина О.Н., Петров А.А. Высокопараллельные алгоритмы обучения для нейросетевых моделей технических систем // Материалы V Междунар. научно-практич. конф., посвященной 70-летию со дня рождения профессора Ю.Н. Меренкова. Елец. 2019. C. 37–41.