هموارسازی کامل موازیسازی دادههای تودرتو
تکنیک تازهای به نام «هموارسازی کامل موازیسازی دادههای درونتو» ارائه شده که کارایی برنامههای موازی را به شدت افزایش میدهد. کامپایلرها با کمک این روش، حلقههای تودرتو را طوری بازنویسی میکنند که از حداکثر توان پردازشی استفاده شود. بار کاری سنگین مثل یادگیری ماشین و پردازش تصویر از این قابلیت سود میبرد و سرعت چندبرابری میگیرد.
چرا مهمه؟
تا پیش از این، موازیسازی حلقههای تودرتو در برنامهها فقط به صورت سطحی انجام میشد و بخشی از توان سختافزار بلااستفاده میماند. روش جدید به کامپایلرها اجازه میدهد همهی سطحهای موازیسازی را با هم ترکیب کنند و از تمام هستههای پردازشی بهره ببرند. توسعهدهندههای برنامههای علمی، متخصصان یادگیری ماشین و کسانی که با GPU کار میکنند، بیشترین سود را میبرند. برای خوانندهای که کدهای موازی مینویسد، این یعنی اجرای سریعتر با همان سختافزار بدون تغییر کد.
به درد کی میخوره؟
• توسعهدهندههای برنامههای موازی • مهندسان کامپایلر • متخصصان یادگیری ماشین • پژوهشگران محاسبات علمی • فعالان حوزه GPU
تو عمل چی کار کنیم؟
خوانندهای که با دادههای حجیم سروکار دارد میتواند با دنبال کردن پیادهسازی این روش در کامپایلرهایی مثل راست یا فلاتپارالل، کدهای خود را بدون بازنویسی سریعتر کند. برای تیمهایی که زیرساخت محاسباتی دارند، این یعنی کاهش هزینه و زمان اجرا. در عمل، نیازی به تغییر الگوریتم نیست؛ فقط کافی است از آخرین نسخهی کامپایلر استفاده کنند.
نظر Blue IT News
این دستاورد هنوز در مرحلهی پژوهشی است و تا رسیدن به ابزارهای تجاری زمان میبرد. اما جهت حرکت مشخص است: آیندهی محاسبات موازی به سمت هوشمندتر شدن کامپایلرها میرود، نه سختافزارهای پرخرج.