А.А. Петров1, А.А. Ермаков2, И.В. Маслов3

1–3 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)
1xeal91@yandex.ru, 2artem_ermakov_00@list.ru, 2maslov0906@gmail.com

Постановка проблемы. В связи с активным ростом объемов данных, используемых для построения информационных моделей в научно-исследовательской работе, особую важность приобретает проблема оптимального выбора программно-аппаратных средств параллельного программирования.

Цель. Провести сравнительный анализ возможностей применения и дать оценку производительности технологий параллельных вычислений на локальном оборудовании для решения задач искусственного интеллекта и нелинейной динамики.

Результаты. Проведен сравнительный анализ популярных библиотек параллельных вычислений с точки зрения производительности, удобства использования и масштабируемости на различных платформах. Выполнены вычислительные эксперименты, направленные на оценку производительности различных программно-аппаратных решений в задачах искусственного интеллекта и нелинейной динамики с учетом использования матричных операций.

Практическая значимость. Результаты работы могут найти применение при решении задач поиска оптимальных параметров программно-аппаратных комплексов математического моделирования нелинейных систем.

Петров А.А., Ермаков А.А., Маслов. И.В. Применение технологий параллельных вычислений на локальном оборудова­нии для решения задач искусственного интеллекта и нелинейной динамики // Нелинейный мир. 2025. Т. 23. № 4.
С. 30–35. DOI: https://doi.org/10.18127/ j20700970-202504-03

1. Al-Shafei A., Zareipour, H., Cao Y. High-Performance and Parallel Computing Techniques Review: Applications, Challenges and Potentials to Support Net-Zero Transition of Future Grids. Energies. 2022. V. 15. № 22. 8668. https://doi.org/10.3390/en15228668.
2. Markus S., Martin M., Eddelbuettel D., Hao Y., Tierney L., Mansmann U. State of the Art in Parallel Computing with R. Journal of Statistical Software. 2009. V. 31. P. 1–27. https://doi.org/10.18637/jss.v031.i01.
3. Shukur H., Zeebaree S., Ahmed A., Zebari R., Ahmed O., Shams B., Tahir A., M.Sadeeq M. A State of Art Survey for Concurrent Computation and Clustering of Parallel Computing for Distributed Systems. Journal of Applied Science and Technology Trends. 2020. V. 01. P. 148–154. https://doi.org/10.38094/jastt1466.
4. Анирад К., Ганджу С., Казам М. Искусственный интеллект и компьютерное зрение: Реальные проекты на Python, Keras и TensorFlow. М.: Науковая библиотека. 2023.
5. Кабачник Д. Искусственный интеллект в промышленных граничных вычислениях // СТА. 2022. № 2. С. 36–37.
6. Петров А.А., Черномордов С.В., Кабанов М.А. Анализ инструментального обеспечения гетерогенных вычислений с применением нейросетевого моделирования // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 2. С. 21–29. DOI: 10.18127/j19998554-202202-02. EDN ZMTDDX.
7. 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.
8. 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.
9. Стронгин Р.Г., Гергель В.П., Гришагин В.А., Баркалов К.А. Параллельные вычисления в задачах глобальной оптимизации. М.: Изд-во Моск. гос. ун-та им. М.В. Ломоносова. 2013.
10. Боресков А.В., Харламов А.А., Марковский Н.Д. Параллельные вычисления на GPU. Архитектура и программная модель CUDA. М.: МГУ имени М.В. Ломоносова. 2015.
11. Ciccozzi F. et al. A comprehensive exploration of languages for parallel computing. ACM Computing Surveys (CSUR). 2022. V. 55. № 2. P. 1–39.