Director: Naiouf, Ricardo Marcelo
Codirector: Lanzarini, Laura Cristina
La temática central es el estudio de temas de procesamiento paralelo y distribuido para hpc, en lo referente a fundamentos y aplicaciones. Incluye problemas de software asociados a construcción, evaluación y optimización de algoritmos sobre arquitecturas multiprocesador.
Los temas abarcan diseño y desarrollo de algoritmos en aplicaciones numéricas y no numéricas sobre diferentes arquitecturas multiprocesador y plataformas software, paradigmas paralelos, modelos, mapping de procesos, métricas (prestacionales y consumo), escalabilidad, balance de carga y evaluación de performance. Las arquitecturas pueden ser homogéneas o heterogéneas (multicore, clusters multicore, gpu, cloud eHíbridos).
Se aborda la investigación en problemas de adaptación de sistemas inteligentes basados en técnicas para manejar información incompleta, imprecisa e incierta.
Interesa concebir aplicaciones orientadas a sistemas inteligentes y problemas con gran volumen de datos y/o procesamiento (búsquedas,simulaciones, n-body, imágenes, minería de datos, big-data, reconocimiento de patrones).
SubProyecto CPAP1- Fundamentos de cómputo paralelo y distribuido de altas prestaciones. Construcción y evaluación de aplicaciones.
Director: Dr. Marcelo Naiouf
Codirector: Dra. Laura De Giusti
Objetivo:
Investigar en temas de procesamiento paralelo y distribuido de altas prestaciones, tanto en lo referente a los fundamentos como en las aplicaciones. Esto incluye los problemas de software asociados con el uso de arquitecturas multiprocesador.
Interesa la construcción, evaluación y optimización de soluciones utilizando algoritmos concurrentes, paralelos y distribuidos sobre diferentes plataformas de software y arquitecturas con múltiples procesadores (multicore, clusters, clusters de multicore, GPU, entornos cloud), los lenguajes y paradigmas de programación paralela (puros e híbridos a distintos niveles), los modelos de representación de aplicaciones paralelas, los modelos y paradigmas paralelos, los algoritmos de asignación de procesos a procesadores (mapping y scheduling de procesos), el balance de la carga de procesamiento, las métricas de evaluación de complejidad y rendimiento (speedup, eficiencia, escalabilidad, consumo energético)
Se propone aplicar los conceptos en problemas numéricos y no numéricos de cómputo intensivo y/o sobre grandes volúmenes de datos (búsquedas, simulaciones, n-body, imágenes, big-data, reconocimiento de patrones, entre otros).
Líneas de Estudio/Investigación y Desarrollo:
– Paralelización de algoritmos secuenciales. Diseño y optimización de algoritmos.
– Comparación de lenguajes y bibliotecas para procesamiento paralelo y distribuido.
– Modelos y paradigmas de computación paralela. Modelo MapReduce.
– Modelos de representación y predicción de performance de algoritmos paralelos.
– Complejidad de algoritmos paralelos, considerando múltiples núcleos y heterogeneidad.
– Métricas del paralelismo.
– Arquitecturas multicore y many-core. Multithreading en multicore. Arquitecturas tipo MIC.
– Multiprocesadores distribuidos.
– Arquitecturas híbridas (diferentes combinaciones de multicores y GPUs) y Arquitecturas heterogéneas.
– Programación sobre modelos híbridos: pasaje de mensajes y memoria compartida en cluster de multicores,
clusters de GPU, clusters multicore-GPU.
– Técnicas de programación sobre arquitecturas many-core (GPU)
– Técnicas para soluciones de HPC en cloud.
– Lenguajes y Estructuras de Datos para nuevas arquitecturas de cómputo paralelo.
– Mapping y scheduling de aplicaciones paralelas sobre diferentes arquitecturas multiprocesador.
– Balance de carga estático y dinámico.
– Análisis de los problemas de migración y asignación óptima de procesos y datos a procesadores. Migración
dinámica.
– Métodos de clasificación supervisada y no supervisada
– Métodos de selección de características y de clasificación supervisada basada en núcleos dispersos.
– Desarrollo de soluciones paralelas a problemas de cómputo intensivo y/o con grandes volúmenes de datos
(búsquedas, simulaciones, n-body, aplicaciones científicas, «big data»). sobre diferentes modelos de
arquitectura homogéneas y heterogéneas (multicores, clusters, clusters de multicore, GPU y cloud). Ajuste del
modelo de software al modelo de hardware a fin de optimizar el sistema paralelo.
– Evaluación de performance prestacional (speedup, eficiencia, escalabilidad) de algoritmos paralelos.
– Evaluación y optimización de performance utilizando contadores de hardware.
– Análisis de consumo y eficiencia energética, en particular en relación con clases de instrucciones y
algoritmos paralelos
SubProyecto CPAP2 – Sistemas Inteligentes
Director: Lic. Laura Cristina Lanzarini
Objetivo:
Investigar los problemas de adaptación de sistemas inteligentes basados en técnicas con capacidad para manejar información incompleta, imprecisa e incierta.
Los temas de base abarcan el estudio de diferentes técnicas adaptativas con el objetivo de identificar patrones en la información disponible. El énfasis estará puesto en: redes neuronales, lógica difusa, máquinas de vectores de soporte y estrategias evolutivas. No se descarta el uso de técnicas estadísticas con el objetivo de comparar los resultados obtenidos.
Dos áreas de particular interés son la minería de datos y el reconocimiento de patrones. En el primer caso el énfasis está puesto en el procesamiento de información estructurada con aplicación en el diseño de sistemas para la toma de decisiones y en el procesamiento de textos (información no estructurada) con aplicación en el procesamiento de lenguaje natural. Con respecto al reconocimiento de patrones, interesa especialmente
Líneas de Estudio/Investigación y Desarrollo:
– Estudio de distintas técnicas de preprocesamiento aplicables a Minería de datos.
– Estudio y desarrollo de métodos para la identificación de los atributos más relevantes de un conjunto de datos.
– Estudio e implementación de distintos mecanismos capaces de extraer las palabras claves de documentos.
– Aplicación de los mapas conceptuales a la representación de un documento.
– Implementación de diferentes técnicas para comparar documentos representados conceptualmente.
– Representación de aspectos temáticos de segmentos de textos utilizando vectores conceptuales.
– Estudio de estrategias adaptativas aplicables a la solución de problemas de agrupamiento (clustering).
-Diseño y adaptación de redes neuronales aplicables a series temporales.
– Estudio de distintos índices como memoria a largo plazo y su relación con el aprendizaje de las redes neuronales aplicadas a series temporales financieras.
– Estudio de técnicas de modelos simplificados basados en reglas de clasificación.
– Estudio e implementación de estrategias adaptativas aplicables al reconocimiento de gestos dinámicos en un espacio tridimensional.
– Estudio de performance de los algoritmos desarrollados. Análisis de eficiencia en la resolución de problemas concretos.