Optimización de aplicaciones científicas y de aprendizaje automático en entornos de altas prestaciones heterogéneos

Resumen

El desarrollo de las plataformas de computación de alto rendimiento ha potenciado la aceleración y optimización de las aplicaciones de cálculo intensivo. Dado que estas aplicaciones consumen una gran cantidad de recursos y tiempo, su optimización ha sido objeto de investigación. En este tipo de plataformas, la optimización de estas aplicaciones se ha abordado mediante múltiples técnicas. En este sentido, el procesamiento distribuido es ampliamente utilizado para repartir la carga de trabajo entre todos los procesos desplegados en los diferentes dispositivos de cómputo que componen la plataforma. Generalmente, las aplicaciones distribuidas actuales suelen realizar un reparto homogéneo de la carga de trabajo sin tener en cuenta las caracterı́sticas de los recursos en los que se ejecutan. Por lo tanto, es necesario adaptar la carga de trabajo en función de las capacidades de cada proceso. Para ello, es necesario modelar la heterogeneidad de los recursos de la plataforma. Los modelos analı́ticos de cómputo y comunicación se han utilizado tradicionalmente para establecer las capacidades de dichos recursos. En esta tesis, se proponen diferentes metodologı́as con el objetivo de mejorar el rendimiento de las aplicaciones de alto coste computacional en plataformas heterogéneas. Para ello es necesario caracterizar las capacidades computacionales de los procesos que intervienen en la ejecución de las aplicaciones, para posteriormente realizar una partición y distribución óptima. Nuestra propuesta ha sido evaluada mediante experimentos con kernels cientı́ficos comunes y aplicaciones basadas en redes neuronales, ilustrando ası́ los beneficios de la propuesta.