Python kan være et kraftfuldt sprog til at tackle store beregningsproblemer inden for scientific computing og relaterede domæner, når det kombineres med specialiserede moduler, såsom NumPy til numeriske og videnskabelige beregninger og MPI4Py til at skalere ud til klynger af computere. Det er dog ikke trivielt at forstå, hvordan man får god performance, når man bruger disse moduler. Dette kursus sigter mod at udvikle de nødvendige færdigheder til at udnytte den potentielle processorkraft på moderne computerklynger og -arkitekturer.
Dette kursus bygger på de færdigheder fra kurserne 02613 eller 02614. Det giver et overblik over eksisterende software, metoder og værktøjer til stor-skala modellering, og sætter de studerende i stand til at arbejde med stor-skala problemer i Scientific Computing, samt deres implementering på moderne computerklynger.
Den opnåede viden skal bruges i projektarbejde til at modellere store systemer i form af nogle udvalgte eksempler. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• analysere performance af Scientific Computing problemer
• udvikle parallelle programmer med MPI og Python
• designe og skrive parallelle koder for Scientific Computing problemer
• anvende HPC metoder i modellering af store systemer
• bruge værktøjer og biblioteker for at løse et problem
• finde strategier til at gå fra små til store problemer
• designe, udføre og evaluere computereksperimenter
• anvende validerings teknikker

Introduktion til højtydende computere med vægt på de aspekter der bestemmer computerens ydeevne ved numeriske beregninger på store datasæt/stor-skala problemer.
Brug af message passing paradigmet (MPI) i Python: point-to-point og kollektiv kommunikation, non-blocking kommunikation, kommunikatorer, virtuelle topologier og one-sided kommunikation.
Hands-on og eksperimenter til at lokalisere beregnings- og kommunikationsflaskehalse.
Numeriske metoder for stor-skala beregninger, fx hvordan man finder en optimal opdeling til data.
Anvendelse af ovenstående på relevante modeller der kræver mange computerressourcer, som fx hukommelse, beregningstid, osv. Bemærk: metoderne der bruges i dette kursus er generelt ikke anvendelige på ML/AI problemer! Implementering af programmer i Python, samt anvendelse af HPC systemer, udgør en væsentlig del af kurset. Kontakt venligst den kursusansvarlige for at høre mere om forudsætninger.
Undervisningsmaterialet består af udleverede noter.
Kurset omhandler modellering og samspillet mellem modellen og metoderne indenfor HPC.
Kurset henvender sig til studerende fra alle master programmer. 02. maj, 2024