友情链接:
合作联系
|
ASPEN培训课程
高性能计算工程师、科学计算应用开发人员、数值算法研究人员。
掌握典型科学计算算法（稀疏线性代数、FFT、粒子模拟）的 GPU 实现方法。
理解 GPU 上的数值精度与收敛性要求。
能够针对大规模科学计算问题进行算法设计与性能优化。
GPU 高性能计算概述：高性能计算的应用领域（分子动力学、计算流体力学、天气预报）；GPU 在 TOP500 中的地位；混合精度计算与数值稳定性。
稀疏线性代数：稀疏矩阵存储格式（CSR、CSC、COO）；稀疏矩阵向量乘（SpMV）的 GPU 实现；迭代求解器（共轭梯度法、GMRES）的 GPU 加速。
密集线性代数：矩阵分块算法；cuBLAS 与 cuSOLVER 库的高级应用；LU 分解、QR 分解的 GPU 实现。
快速傅里叶变换：FFT 算法的并行化；cuFFT 库的使用与性能调优；批处理 FFT 在信号处理中的应用。
粒子模拟：N 体问题的 GPU 实现；粒子对相互作用的计算优化；邻域列表算法；分子动力学模拟（如 Amber、GROMACS）的 GPU 加速原理。
格点计算：计算流体力学中的网格计算；有限差分法的 GPU 实现；GPU 上的 Stencil 计算优化（共享内存、寄存器重载）。
蒙特卡洛模拟：随机数生成在 GPU 上的实现（cuRAND）；并行蒙特卡洛方法的应用；方差减少技术的 GPU 实现。
数值精度与混合精度：单精度 vs 双精度的性能差异；混合精度算法设计；误差分析与补偿技术。
多 GPU 编程：多 GPU 任务的划分；节点内多 GPU 通信（NVLink）；跨节点 GPU 通信（MPI+CUDA）。
CUDA 感知的 MPI：GPU 直接通信的原理；MPI 与 CUDA 的集成；GPUDirect RDMA 技术。
应用案例：分子动力学模拟的 GPU 优化实践；计算流体力学求解器的 GPU 移植经验。
综合实战项目：将经典的科学计算应用（如有限差分求解热方程）移植到 GPU，并进行多 GPU 扩展与性能分析。
