اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی مدل‌های شبیه‌سازی زمین‌شناسی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های شبیه‌سازی زمین‌شناسی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی‌های زمین‌شناسی
• 2. اهمیت محاسبات سطح بالا (HPC) در علوم زمین
• 3. مروری بر معماری کامپیوترهای مدرن
• 4. آشنایی با محیط لینوکس و دستورات پایه
• 5. اسکریپت‌نویسی شل (Shell Scripting) برای اتوماسیون
• 6. مبانی کنترل نسخه با Git
• 7. گردآوری (Compiling) و پیوند (Linking) کد: GCC و GFortran
• 8. سیستم‌های ساخت خودکار: Makefile و CMake
• 9. مبانی الگوریتم و تحلیل پیچیدگی (Big O Notation)
• 10. ساختارهای داده کلیدی در شبیه‌سازی: گریدها و مش‌ها
• 11. نمایش اعداد ممیز شناور و خطاهای عددی
• 12. اصول پروفایلینگ و شناسایی گلوگاه‌های محاسباتی
• 13. استفاده از ابزارهای پروفایلینگ: gprof و Perf
• 14. بهینه‌سازی‌های کامپایلر (Compiler Optimizations)
• 15. مقدمه‌ای بر سلسله مراتب حافظه (Memory Hierarchy)
• 16. کش (Cache) و اهمیت محلی بودن داده‌ها (Data Locality)
• 17. بهینه‌سازی حافظه نهان: تکنیک‌های Blocking و Tiling
• 18. چیدمان داده‌ها: ساختار آرایه‌ها (AoS) در مقابل آرایه ساختارها (SoA)
• 19. پیش‌واکشی سخت‌افزاری و نرم‌افزاری (Prefetching)
• 20. مقدمه‌ای بر برداری‌سازی (Vectorization) و SIMD
• 21. دستورالعمل‌های SIMD: SSE, AVX, AVX-512
• 22. برداری‌سازی خودکار توسط کامپایلر
• 23. نوشتن کد قابل برداری‌سازی (Vectorizable Code)
• 24. استفاده از توابع ذاتی (Intrinsics) برای برداری‌سازی دستی
• 25. تکنیک‌های بهینه‌سازی حلقه‌ها: بازکردن (Unrolling) و ادغام (Fusion)
• 26. کاهش انشعاب (Branch Prediction) در کدهای محاسباتی
• 27. مقدمه‌ای بر برنامه‌نویسی موازی: مفاهیم و چالش‌ها
• 28. مدل‌های حافظه مشترک در مقابل حافظه توزیع شده
• 29. قانون امدال و قانون گوستافسون
• 30. معرفی OpenMP برای برنامه‌نویسی حافظه مشترک
• 31. دستورالعمل‌های اصلی OpenMP: parallel, for, sections
• 32. متغیرهای خصوصی (private) و اشتراکی (shared) در OpenMP
• 33. همگام‌سازی (Synchronization) در OpenMP: critical, barrier, atomic
• 34. کاهش (Reduction) در حلقه‌های موازی OpenMP
• 35. موازی‌سازی مبتنی بر وظیفه (Task Parallelism) در OpenMP
• 36. بهینه‌سازی وابستگی داده‌ها در حلقه‌های OpenMP
• 37. معضل رقابت داده (Race Condition) و بن‌بست (Deadlock)
• 38. ابزارهای اشکال‌زدایی کدهای موازی
• 39. معرفی MPI برای برنامه‌نویسی حافظه توزیع شده
• 40. مفاهیم پایه MPI: پردازه‌ها، رتبه‌ها و ارتباط‌دهنده‌ها
• 41. ارتباطات نقطه به نقطه (Point-to-Point): Send و Recv
• 42. ارتباطات مسدودکننده (Blocking) و غیرمسدودکننده (Non-blocking)
• 43. ارتباطات جمعی (Collective): Bcast, Scatter, Gather
• 44. عملیات کاهش جمعی (Collective Reduction): Reduce, Allreduce
• 45. طراحی استراتژی‌های تجزیه دامنه (Domain Decomposition)
• 46. ایجاد توپولوژی‌های کارتزین (Cartesian Topologies) در MPI
• 47. ارتباطات یک‌طرفه (One-Sided Communication) در MPI
• 48. انواع داده مشتق شده (Derived Datatypes) در MPI
• 49. پروفایلینگ و تحلیل عملکرد برنامه‌های MPI
• 50. ورودی/خروجی موازی (Parallel I/O): مفاهیم و چالش‌ها
• 51. آشنایی با MPI-IO
• 52. کتابخانه‌های سطح بالای ورودی/خروجی: HDF5 و NetCDF
• 53. مدل برنامه‌نویسی ترکیبی (Hybrid): MPI + OpenMP
• 54. مزایا و معایب مدل ترکیبی
• 55. پیاده‌سازی یک الگوی ترکیبی پایه
• 56. مقدمه‌ای بر معماری شتاب‌دهنده‌ها: GPU
• 57. مقایسه معماری CPU و GPU
• 58. مقدمه‌ای بر اکوسیستم CUDA
• 59. مفاهیم پایه CUDA: کرنل، گرید، بلاک و نخ
• 60. مدیریت حافظه در CUDA: حافظه هاست و دستگاه
• 61. انتقال داده بین CPU و GPU
• 62. حافظه اشتراکی (Shared Memory) و بهینه‌سازی آن
• 63. همگام‌سازی نخ‌ها در یک بلاک
• 64. جریان‌ها (Streams) برای هم‌پوشانی محاسبات و انتقال داده
• 65. بهینه‌سازی دسترسی به حافظه سراسری (Global Memory Coalescing)
• 66. اجتناب از واگرایی انشعاب (Branch Divergence)
• 67. کتابخانه‌های CUDA: cuBLAS, cuFFT, cuSPARSE
• 68. مقدمه‌ای بر OpenACC: یک رویکرد دستوری برای GPU
• 69. مقایسه OpenACC و OpenMP Target Offloading
• 70. اشکال‌زدایی و پروفایلینگ کدهای GPU
• 71. مقدمه‌ای بر حل‌کننده‌های عددی برای معادلات دیفرانسیل با مشتقات جزئی (PDE)
• 72. روش‌های تفاضل محدود (Finite Difference)
• 73. روش‌های حجم محدود (Finite Volume)
• 74. روش‌های المان محدود (Finite Element)
• 75. بهینه‌سازی محاسبات استنسیل (Stencil Computations)
• 76. الگوریتم‌های حل دستگاه‌های معادلات خطی: مستقیم و تکراری
• 77. روش‌های تکراری زیرفضای کریلوف (Krylov Subspace Methods)
• 78. پیش‌شرط‌سازی (Preconditioning) برای حل‌کننده‌های تکراری
• 79. حل‌کننده‌های چندگریدی (Multigrid Solvers)
• 80. کتابخانه‌های علمی محاسباتی: PETSc و Trilinos
• 81. تبدیل فوریه سریع (FFT) و کاربرد آن در پردازش لرزه‌ای
• 82. مقدمه‌ای بر سیستم‌های زمان‌بندی کار (Job Schedulers): SLURM, PBS
• 83. نوشتن اسکریپت‌های ارسال کار (Submission Scripts)
• 84. مدیریت وابستگی‌های نرم‌افزاری با ماژول‌ها (Environment Modules)
• 85. کانتینرسازی (Containerization) برای تکرارپذیری: Docker و Singularity
• 86. اصول مهندسی نرم‌افزار برای کدهای علمی: تست و مستندسازی
• 87. بصری‌سازی داده‌های علمی در مقیاس بزرگ: ParaView و VisIt
• 88. مطالعه موردی: بهینه‌سازی یک شبیه‌ساز مخزن نفتی ساده
• 89. مطالعه موردی: موازی‌سازی مدل انتشار امواج لرزه‌ای
• 90. مطالعه موردی: شتاب‌دهی یک کد ژئومکانیک با GPU
• 91. بهینه‌سازی مصرف انرژی در محاسبات سطح بالا
• 92. روندهای آینده: محاسبات ابری (Cloud HPC)
• 93. روندهای آینده: ادغام یادگیری ماشین و شبیه‌سازی‌های HPC
• 94. جمع‌بندی و بهترین شیوه‌ها در بهینه‌سازی کدهای علمی
• 95. **موازی‌سازی و بهینه‌سازی کد با OpenMP و MPI:** بررسی تکنیک‌های موازی‌سازی برای بهبود عملکرد شبیه‌سازی‌ها در سیستم‌های چند هسته‌ای و خوشه‌ای.
• 96. **پروفایلینگ (Profiling) کد و شناسایی گلوگاه‌ها:** استفاده از ابزارهای پروفایلینگ برای شناسایی بخش‌های پرهزینه کد و تمرکز بهینه‌سازی بر روی آنها.
• 97. **بهینه‌سازی حافظه و مدیریت داده‌های بزرگ:** تکنیک‌های مدیریت حافظه کارآمد برای شبیه‌سازی‌های با حجم داده بالا.
• 98. **بهینه‌سازی الگوریتم‌های عددی مورد استفاده در زمین‌شناسی:** بررسی و بهینه‌سازی الگوریتم‌های حل معادلات دیفرانسیل جزئی، درون‌یابی، و سایر محاسبات رایج در شبیه‌سازی‌های زمین‌شناسی.
• 99. **استفاده از کتابخانه‌های تخصصی محاسبات علمی:** معرفی و استفاده از کتابخانه‌های بهینه‌شده مانند BLAS, LAPACK, PETSc برای افزایش سرعت محاسبات.
• 100. **بهینه‌سازی I/O و مدیریت فایل‌های داده:** تکنیک‌های بهینه‌سازی ورودی و خروجی داده‌ها برای کاهش زمان اجرای شبیه‌سازی‌ها.