En agosto del 2020, Ezequiel Moreno aprobó la tesina de grado «Optimización de la Simulación de N Cuerpos Computacionales con Atracción Gravitacional sobre Intel Xeon Phi KNL»

En agosto del 2020, Ezequiel Moreno aprobó la tesina de grado «Optimización de la Simulación de N Cuerpos Computacionales con Atracción Gravitacional sobre Intel Xeon Phi KNL», con la cual obtuvo la Licenciatura en Informática de la Facultad de Informática.

Este trabajo de grado, que contó con la dirección de Enzo Rucci y Adrian Pousa, se enfoca en la paralelización de la simulación de N cuerpos computacionales sobre un acelerador Xeon Phi KNL. Esta simulación, requiere de alto poder computacional para ser procesada con un tiempo de respuesta aceptable.

Ezequiel comenzó por una implementación secuencial, para mostrar cómo es posible que la implementación paralela alcance 2355 GFLOPS a través de diferentes optimizaciones.

Para lograr los objetivos propuestos en la tesina, estudió en detalle la arquitectura de los aceleradores Xeon Phi KNL, y el problema de N cuerpos computacionales con atracción gravitacional, incluyendo la bibliografía existente en la temática. A continuación, diseñó y desarrolló diferentes soluciones paralelas al problema estudiado que puedan ejecutarse en aceleradores Xeon Phi KNL, considerando diferentes optimizaciones aplicables.

Luego, midió el rendimiento considerando diferentes escenarios en cada caso y realizó un análisis de los resultados. Finalmente, comparó la propuesta llevada a cabo y sus resultados con otros existentes en la literatura.

Cabe mencionar que en la comunidad HPC, el uso de aceleradores se ha consolida o como estrategia para mejorar el rendimiento de los sistemas al mismo tiempo que la eficiencia energética. Recientemente, Intel introdujo Knights Landing (KNL), la segunda generación de aceleradores Xeon Phi.

Como trababajo a futuro, y a partir de los resultados obtenidos, Ezequiel propone: Avanzar en la implementación de métodos avanzados para esta simulación.
– Avanzar en el desarrollo de soluciones optimizadas para otras simulaciones de la física y áreas afines sobre multiprocesadores.
– Realizar realizar una comparación de rendimiento y eficiencia energética entre estas arquitecturas, dado que las GPUs son el acelerador dominante en la actualidad.