- INSTRUMENTO Fondo Clemente Estable
- BENEFICIARIO Eduardo Emilio Fernández Albano : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 2090000
- FECHA DE INICIO 01.06.2024
- DURACIÓN 30 meses
- AÑO CONVOCATORIA 2023
- CÓDIGO FCE_1_2023_1_176494
- FASE SEGUIMIENTO
- ESTADO Seguimiento
Las matrices dispersas son aquellas que poseen una fracción pequeña (p.ej menor al 0,1%) de sus coeficientes no-cero. Su importancia en la ciencia y la ingeniería radica en que son una herramienta fundamental para la resolución de problemas de gran escala. En los últimos años las matrices dispersas cobraron una creciente relevancia en el campo de la computación científica debido al impulso de las aplicaciones relacionadas con redes sociales, big data e inteligencia artificial. Dado que las características de estas matrices, p.ej. tamaño, proporción de elementos no-cero o posición de los mismos, varían según la aplicación, esta área de trabajo se encuentra aún en constante desarrollo. Dicha evolución motiva el estudio de técnicas eficientes, tanto desde el punto de vista del almacenamiento como del cómputo de las operaciones asociadas a las matrices dispersas. En las últimas dos décadas la tendencia en el diseño de arquitecturas de hardware ha sido incorporar múltiples cores en un mismo chip así como los procesadores orientados al throughput, dentro de los cuales se destacan los procesadores gráficos (GPUs). También se ha popularizado el desarrollo de circuitos integrados de aplicación específica (ASICs) utilizados como aceleradores de hardware, p.ej. los Tensor Cores de NVIDIA o los TPUs de Google. También es necesario mencionar los procesadores de arquitectura ARM que permiten consumos energéticos acotados y desempeños razonables, y las FPGAs, que han alcanzado buenos equilibrios entre consumo y prestaciones gracias a ser un hardware reconfigurable. En este contexto el objetivo del proyecto es continuar el estudio y desarrollo de kernels de ALN dispersa capaces de sacar provecho del poder de cómputo ofrecido por las plataformas de hardware modernas. Específicamente, desarrollar una biblioteca multiplataforma eficiente para el cómputo de las operaciones más determinantes del campo de ALN dispersa sobre plataformas de hardware heterogéneas.