فلش‌کارت‌های آموزشی غلبه بر چالش‌های نرم‌افزاری اگزاسکیل: راهنمای جامع با Stefano Markidis

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره غلبه بر چالش‌های نرم‌افزاری اگزاسکیل: راهنمای جامع با Stefano Markidis

موضوع کلی: محاسبات با کارایی بالا

موضوع میانی: چالش‌های نرم‌افزاری در مقیاس اگزاسکیل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات با کارایی بالا
• 2. مقدمه‌ای بر مقیاس اگزاسکیل
• 3. تاریخچه و تکامل سیستم‌های HPC
• 4. ضرورت و چالش‌های نرم‌افزاری در مقیاس اگزاسکیل
• 5. معماری‌های فعلی و آتی سیستم‌های HPC
• 6. مفهوم موازی‌سازی و انواع آن
• 7. موازی‌سازی داده‌محور
• 8. موازی‌سازی وظیفه‌محور
• 9. مدل‌های برنامه‌نویسی موازی (MPI, OpenMP, PGAS)
• 10. معرفی MPI (Message Passing Interface)
• 11. مفاهیم کلیدی MPI
• 12. ارتباطات نقطه‌به‌نقطه در MPI
• 13. ارتباطات تجمعی در MPI
• 14. موانع و چالش‌های ارتباطی در MPI
• 15. معرفی OpenMP
• 16. راهنماهای موازی‌سازی در OpenMP
• 17. مدیریت وابستگی داده در OpenMP
• 18. همگام‌سازی در OpenMP
• 19. معرفی مدل PGAS (Partitioned Global Address Space)
• 20. تفاوت PGAS با MPI و OpenMP
• 21. مزایا و معایب مدل‌های برنامه‌نویسی مختلف
• 22. نوشتن کد موازی قابل حمل
• 23. مدیریت حافظه در سیستم‌های HPC
• 24. چالش‌های حافظه در مقیاس اگزاسکیل
• 25. مدیریت حافظه در معماری‌های NUMA
• 26. استفاده مؤثر از حافظه نهان (Cache)
• 27. تکنیک‌های کاهش مصرف حافظه
• 28. بهینه‌سازی دسترسی به حافظه
• 29. ورودی/خروجی (I/O) در سیستم‌های HPC
• 30. چالش‌های I/O در مقیاس اگزاسکیل
• 31. سیستم‌های فایل موازی (Parallel File Systems)
• 32. بهینه‌سازی الگوهای I/O
• 33. مدیریت داده‌های بزرگ
• 34. فشرده‌سازی و نمایش داده
• 35. کارایی شبکه در سیستم‌های HPC
• 36. معماری‌های شبکه‌ای با کارایی بالا
• 37. تأثیر تاخیر (Latency) و پهنای باند (Bandwidth)
• 38. بهینه‌سازی ارتباطات شبکه
• 39. مدل‌سازی و شبیه‌سازی شبکه‌های HPC
• 40. تکنیک‌های کاهش مصرف انرژی
• 41. چالش‌های مصرف انرژی در مقیاس اگزاسکیل
• 42. مدیریت انرژی در سطح گره (Node)
• 43. مدیریت انرژی در سطح برنامه
• 44. استراتژی‌های کاهش مصرف انرژی نرم‌افزاری
• 45. مانیتورینگ و پروفایلینگ عملکرد
• 46. ابزارهای پروفایلینگ برای HPC
• 47. شناسایی گلوگاه‌های عملکردی
• 48. تحلیل مصرف منابع
• 49. تکنیک‌های بهینه‌سازی کد
• 50. بازنویسی الگوریتم‌ها برای موازی‌سازی
• 51. کاهش وابستگی داده
• 52. بهینه‌سازی حلقه (Loop Optimization)
• 53. استفاده از دستورالعمل‌های SIMD
• 54. بهینه‌سازی برای معماری‌های خاص (CPU, GPU)
• 55. مقدمه‌ای بر GPU Computing
• 56. برنامه‌نویسی CUDA
• 57. برنامه‌نویسی OpenCL
• 58. همگرایی CPU و GPU
• 59. چالش‌های همگرایی معماری‌ها
• 60. مدل‌های برنامه‌نویسی ترکیبی (Hybrid Programming)
• 61. دیباگ کردن برنامه‌های موازی
• 62. تکنیک‌های دیباگ کردن توزیع شده
• 63. استفاده از دیباگرهای موازی
• 64. مدیریت خطا در برنامه‌های HPC
• 65. قابلیت اطمینان در مقیاس اگزاسکیل
• 66. استراتژی‌های تحمل خطا
• 67. طراحی برنامه‌های مقاوم در برابر خطا
• 68. تست و اعتبارسنجی نرم‌افزار HPC
• 69. مقدمه‌ای بر شبیه‌سازی‌های علمی
• 70. کاربرد HPC در علوم مختلف
• 71. تحلیل داده‌های علمی
• 72. کشف و تحلیل داده‌های بزرگ
• 73. یادگیری ماشین در HPC
• 74. یادگیری عمیق در HPC
• 75. فریم‌ورک‌های یادگیری ماشین موازی
• 76. بهینه‌سازی مدل‌های یادگیری ماشین
• 77. برنامه‌نویسی مبتنی بر وظیفه (Task-based Programming)
• 78. چارچوب‌هایی مانند Charm++ و OmpSs
• 79. مدیریت منابع و زمان‌بندی وظایف
• 80. اجرای برنامه‌های مقیاس بزرگ
• 81. مدیریت سیستم‌های HPC
• 82. زمان‌بندی (Scheduling) وظایف
• 83. نظارت بر سیستم
• 84. مدیریت کاربران و داده‌ها
• 85. امنیت در سیستم‌های HPC
• 86. چالش‌های امنیتی مقیاس اگزاسکیل
• 87. استراتژی‌های امنیتی نرم‌افزاری
• 88. مدیریت چرخه عمر نرم‌افزار HPC
• 89. ابزارها و روش‌های توسعه نرم‌افزار HPC
• 90. اصول مهندسی نرم‌افزار برای HPC
• 91. استانداردهای توسعه نرم‌افزار HPC
• 92. نقش علم داده در HPC
• 93. تحلیل نتایج شبیه‌سازی‌های HPC
• 94. ساخت داشبوردهای تعاملی
• 95. تجسم داده‌های بزرگ
• 96. استفاده از بلاک‌چین در HPC
• 97. مقدمه‌ای بر محاسبات کوانتومی
• 98. تفاوت محاسبات کوانتومی و کلاسیک
• 99. کاربرد محاسبات کوانتومی در HPC
• 100. الگوریتم‌های کوانتومی برای HPC