Nature UE
Crédits ECTS 3
Volume horaire total 30
Volume horaire CM 9
Volume horaire TD 6
Volume horaire TP 15

Pré-requis

Connaissances de bases en architecture des ordinateurs, Maîtrise de langages de programmation (Python, R, Bash, ...)

Objectifs

- Concevoir un plan d’analyse en réservant les ressources en calcul disponible sur une infrastructure HPC - Analyser les métriques d’utilisation (temps CPU, RAM, ...) - Mettre en œuvre des workflows adaptés aux plans expérimentaux et assurer la reproductibilité des codes. - Savoir analyser l’architecture d’un GPU pour en tirer les meilleures performances. - Intégrer les contraintes de parallélisme dans son algorithme.

Contenu

COURS MAGISTRAUX (9H)
- Notions de base : écosytème HPC, calculs parallèles, cluster, ordonnancement des calculs, structuration des jobs
- Notions de base sur l’architecture des GPU, notions de base sur la programmation GPU avec CUDA

TRAUVAUX DIRIGES (9H)
- Prise en main de l’environnement d’un cluster de calcul, construction de scripts
- Prise en main d’une plateforme de développement disposant d’un GPU et programmation GLSL et découverte de matériel et premiers pas en CUDA

TRAVAUX PRATIQUES (12H)
- Conduite de projet, travail en équipe visant à reproduire un projet de recherche de la prise en main de données biologiques jusqu’à la présentation de résultats.
- Programmation de la plateforme GPU en CUDA

Appartient à

Informations complémentaires

- Concevoir un plan d’analyse en réservant les ressources en calcul disponible sur une infrastructure HPC - Analyser les métriques d’utilisation (temps CPU, RAM, ...) - Mettre en œuvre des workflows adaptés aux plans expérimentaux et assurer la reproductibilité des codes. - Savoir analyser l’architecture d’un GPU pour en tirer les meilleures performances. - Intégrer les contraintes de parallélisme dans son algorithme.