2.5. Computación de Alto Rendimiento (HPC)

2.5. Computación de Alto Rendimiento (HPC)

Esta área se enfoca en los principios y prácticas de desarrollar soluciones computacionales que aprovechan los recursos de computación paralela y distribuida para resolver problemas científicos y de ingeniería a gran escala. Cubre arquitecturas de computadoras, modelos de programación paralela, técnicas de optimización para hardware moderno y la implementación de métodos numéricos en sistemas de alto rendimiento. Este conocimiento permite a los estudiantes abordar problemas computacionalmente intensivos que son inviables en sistemas de un solo procesador.

Tabla 2.5: Lista de KUs del área de Computación de Alto Rendimiento.

2.5.1. HPC/Arquitecturas de Computadoras Paralelas  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Taxonomía de Flynn y arquitecturas paralelas
  • Jerarquías de memoria y coherencia de caché
  • Procesadores multi-núcleo y memoria compartida
  • Sistemas de memoria distribuida y clusters
  • Aceleradores (GPUs, FPGAs) y computación heterogénea

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Clasificar arquitecturas paralelas usando la taxonomía de Flynn [Familiarizarse]
  2. Analizar efectos de la jerarquía de memoria en el rendimiento [Evaluar]
  3. Comparar sistemas multi-núcleo y de memoria distribuida [Evaluar]
  4. Seleccionar aceleradores apropiados para tareas computacionales específicas [Evaluar]

2.5.2. HPC/Programación Paralela de Memoria Compartida  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Modelo de programación OpenMP
  • Creación y gestión de hilos
  • Primitivas de sincronización (cerrojos, barreras)
  • Compartición de datos y alcance
  • Optimización de rendimiento y balanceo de carga

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar algoritmos paralelos usando OpenMP [Usar]
  2. Gestionar hilos y paralelismo de tareas [Usar]
  3. Aplicar mecanismos de sincronización correctamente [Usar]
  4. Optimizar el rendimiento de memoria compartida [Usar]

2.5.3. HPC/Programación Paralela de Memoria Distribuida  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Modelo de programación MPI
  • Comunicación punto a punto
  • Operaciones de comunicación colectiva
  • Topologías de procesos y grupos
  • Análisis de escalabilidad y optimización

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar algoritmos distribuidos usando MPI [Usar]
  2. Manejar comunicaciones punto a punto y colectivas [Usar]
  3. Diseñar topologías de procesos eficientes [Usar]
  4. Analizar escalabilidad de aplicaciones distribuidas [Evaluar]

2.5.4. HPC/Programación de Aceleradores  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Arquitectura GPU y modelos de programación
  • Modelo de programación CUDA
  • Directivas OpenACC
  • Diseño y optimización de kernels
  • Gestión de memoria en aceleradores

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Programar GPUs usando CUDA [Usar]
  2. Aplicar directivas OpenACC para programación de aceleradores [Usar]
  3. Diseñar kernels GPU eficientes [Usar]
  4. Gestionar la jerarquía de memoria GPU efectivamente [Usar]

2.5.5. HPC/Métodos Numéricos Paralelos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Algoritmos de álgebra lineal paralela
  • Solucionadores paralelos de EDPs
  • Métodos de descomposición de dominio
  • Balanceo de carga para computaciones numéricas
  • Afinamiento de rendimiento y profiling

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar algoritmos numéricos paralelos [Usar]
  2. Aplicar descomposición de dominio para EDPs [Usar]
  3. Balancear carga computacional entre procesadores [Usar]
  4. Afinar el rendimiento de códigos numéricos paralelos [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono