Разработка эффективных алгоритмов для анализа данных с использованием графического процессора

• Автор: Карпушин, Андрей Александрович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Воронеж
• Количество страниц: 138 с. : ил.

Содержание
Введение

Актуальность исследования.

Цели и задачи диссертации.

аучная новизна и значимость работы.

Практическая ценность работы

Публикации

Личный вклад автора.

Основные положения, выносимые на защиту.

Классификация вычислительных систем.

Глава 1. Технологии программирования графического процессора.

1.1. Программирование графического процессора па основе вершинных и пиксельных программ..
1.2. Программирование графического процессора на основе библиотеки СЛА
1.3. Программирование графического процессора на основе библиотеки ПгесСотрШе.
1.4. Программирование графического процессора на основе библиотеки ОрспСЬ
1.5. Архитектура ОрепСЬ
Выводы.
Глава 2. Алгоритмы для анализа структуры и свойств сложных молекулярных кластеров с использованием графического процессора.
2.1. Алгоритмы визуализации сложных кластерных структур и их физикохимических характеристик.
2.1.1. Алгоритм построения сетки из треугольников на основе выборки данных по плоскости
2.1.2. Алгоритм построения сетки из треугольников на основе выборки данных по сфере
2.1.3. Алгоритм построения сетки из треугольников на основе выборки данных по цилиндру.
2.2. Алгоритм выборки данных из куба на основе отрезка
2.3. Алгоритм построения группы эквипотенциальных поверхностей.
2.4. Алгоритм расчета сечения рассеяния частиц на молекулярном кластере
2.5. Оценка эффективности алгоритма Фурьепреобразования па графическом
процессоре.
2.6. Алгоритм кратного численного интсрирования на графическом процессоре
Результаты
Глава 3. База данных и программная оболочка.
3.1. Программная оболочка для анализа структуры и свойств сложных молекулярных кластеров
3.2. Проектирование и разработка базы данных молекулярных объектов
3.3. Интерфейс программной оболочки.
3.4. Администрирование базы данных
Результаты.
Выводы.
Глава 4. Разработка библиотеки для работы с нейронными сетями на графическом
процессоре.
4.1. Нейронные сети прямого распространения
4.2. Алгоритм обучения нейронных сетей прямого распространения на графическом
процессоре.
4.3. Анализ эффективности обучения нейронной сети с использованием графического процессора.
4.4. Распознавание рукописных символов с использованием нейронной сети.
4.4.1. Подбор архитектуры сети
4.4.2. Алгоритм обучения нейронной сети.
4.4.3. Тестирование нейронной сети
Выводы.
Заключение.
Список литературы


Алгоритм построения двух эквипотенциальных поверхностей различного по знаку значения. Алгоритм кратного численного интегрирования на графическом процессоре. Алгоритм Фурье-преобразования пространственно определенной функции на графическом процессоре. Алгоритм расчета полного и дифференциального сечения рассеяния электронов на произвольном молекулярном кластере с использованием графического процессора. Алгоритм обучения нейронной сети на графическом процессоре. На основе совокупности разработанных и существующих алгоритмов создана база данных физико-химических свойств молекулярных объектов. Для разработанных алгоритмов приведены теоретические обоснования. Все алгоритмы, разработаны с возможностью реализации-, на графическом и центральном процессорах. Практическая ценность работы. Практическая ценность работы заключается в разработанном^ пакете программ для анализа ' структуры и свойств сложных молекулярных кластеров и программной библиотеке для работы с нейронными сетями на графическом процессоре. Разработка новых методов обработки, хранения, передачи и защиты информации в информационно-коммуникационных системах». Получены свидетельства об официальной регистрации программ: «Система расширенных квантово-механических, вычислений на базе результатов расчета программы ОАШЗГАЫОЗ» [4], «Система оптимизации г квантово-механических вычислений на. Программная библиотека для работы с искусственными нейронными сетями на графическом процессоре» [6]. По результатам проведенных исследований и. Все основные результаты, выносимые на защиту, получены автором-самостоятельно. Основные положения, выносимые на защиту. Алгоритмы' построения сетки, из- треугольников, на основе выборки- . Алгоритм построения группы эквипотенциальных поверхностей. Алгоритмы кратного численного интегрирования на графическом-процессоре. Алгоритм обучения нейронной сети прямого распространения на. Программный комплекс и база данных для анализа сложных молекулярных структур. В связи с тем, что достигнутое ускорение ряда вычислительных алгоритмов связано с использованием большого числа процессоров на графическом устройстве, ниже, для справки, приведена упрощенная классификация вычислительных систем. Классификация вычислительных систем. Архитектура вычислительной системы, на которой решается некоторая вычислительная задача, полностью определяет используемые методы и технологии для проектирования алгоритма. Фактически вычислительные системы' могут быть классифицированы по физическому уровшо, на котором осуществляется распараллеливание задачи. Мпогоядерные процессоры - в этом случае вычислительные узлы . Обмен данными между ядрами осуществляется с минимальной задержкой через общий кэш. Такой тип архитектуры в основном применяется в современных персональных компьютерах. Многопроцессорные системы — вычислительные узлы являются самостоятельными процессорами и работают под управлением одной операционной системы. Операционная система распределяет задачи между разными процессорами, гарантируя, что1 одна и та же задача не будет одновременно выполняться более чем одним процессором. Все процессоры системы имеют доступ к общей оперативной памяти. SLI (Scan Line Interleave). В этом случае изображение разбивается на несколько частей, количество которых соответствует количеству видеокарт в связке. Каждая часть изображения обрабатывается полностью одной видеокартой. Кластеры - группа компьютеров, объединенная высокоскоростными каналами связи и представляющая с точки зрения пользователя единый ресурс. Компьютеры в рамках кластера могут в свою очередь использовать многоядерные процессоры для выполнения вычислений. Грид-системы — объединение огромного числа слабосвязанных компьютеров для одновременного выполнения большого количества крупных и масштабных задач. В отличие от кластеров,* грид-системы, могут использовать медленный канал связи. Грид-система является географически. Грид-системы получили широкое распространение за счет распространения сети Интернет, а также технологий пакетной передачи данных по оптоволоконным каналам.