دوره بهینه‌سازی مدل‌های شبیه‌سازی آب و هوا برای سرعت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های شبیه‌سازی آب و هوا برای سرعت

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی آب و هوا و چالش‌های محاسباتی آن
• 2. معرفی محاسبات سطح بالا (HPC)
• 3. معماری ابرکامپیوترها: کلاسترها، نودها و اینترکانکت‌ها
• 4. مروری بر معماری پردازنده‌های مدرن (CPU)
• 5. سلسله مراتب حافظه: رجیستر، کش (Cache)، حافظه اصلی و دیسک
• 6. مفهوم گلوگاه (Bottleneck) در عملکرد برنامه‌ها
• 7. مبانی برنامه‌نویسی علمی با C++ و Fortran
• 8. کامپایلرها و بهینه‌سازی‌های کامپایلر (Compiler Optimizations)
• 9. ابزارهای ضروری در HPC: ترمینال، SSH و مدیریت ماژول‌ها
• 10. سیستم‌های مدیریت نسخه: مقدمه‌ای بر Git برای کدهای علمی
• 11. آشنایی با ابزارهای پروفایلینگ (Profiling): شناسایی نقاط داغ کد
• 12. اندازه‌گیری عملکرد: معیارها و روش‌ها
• 13. بهینه‌سازی‌های سطح کامپایلر: پرچم‌های O1, O2, O3, Ofast-
• 14. تحلیل گزارش‌های بهینه‌سازی کامپایلر
• 15. بهینه‌سازی کد تک-رشته‌ای (Serial Code Optimization)
• 16. اصول دسترسی به حافظه: محلی‌بودن زمانی و مکانی (Temporal and Spatial Locality)
• 17. ساختارهای داده کارآمد برای محاسبات علمی
• 18. تاثیر Cache Miss بر عملکرد
• 19. برنامه‌نویسی آگاه از کش (Cache-Aware Programming)
• 20. بردارسازی (Vectorization) و دستورالعمل‌های SIMD
• 21. استفاده از توابع ذاتی (Intrinsics) برای بردارسازی دستی
• 22. بهینه‌سازی حلقه‌ها: بازکردن حلقه (Loop Unrolling) و ادغام حلقه (Loop Fusion)
• 23. کاهش وابستگی داده‌ها در حلقه‌ها
• 24. دقت محاسبات ممیز شناور و تاثیر آن بر سرعت
• 25. مقدمه‌ای بر موازی‌سازی: قانون امدال و قانون گوستافسون
• 26. مدل‌های برنامه‌نویسی موازی: حافظه مشترک و حافظه توزیع‌شده
• 27. مقدمه‌ای بر OpenMP برای موازی‌سازی حافظه مشترک
• 28. مدل Fork-Join در OpenMP
• 29. ساختارهای موازی‌سازی OpenMP: parallel, for, sections-
• 30. مدیریت داده‌ها در OpenMP: private, shared, reduction-
• 31. همگام‌سازی (Synchronization) در OpenMP: critical, atomic, barrier-
• 32. مفهوم False Sharing و روش‌های جلوگیری از آن
• 33. زمان‌بندی حلقه‌ها در OpenMP: static, dynamic, guided-
• 34. موازی‌سازی وظایف (Task Parallelism) با OpenMP
• 35. بهینه‌سازی و اشکال‌زدایی کدهای OpenMP
• 36. مطالعه موردی: موازی‌سازی یک هسته محاسباتی آب و هوا با OpenMP
• 37. مقدمه‌ای بر MPI برای موازی‌سازی حافظه توزیع‌شده
• 38. محیط MPI: راه‌اندازی و اجرای برنامه‌های موازی
• 39. ارتباطات نقطه به نقطه (Point-to-Point): Send و Recv
• 40. ارتباطات مسدودکننده و نامسدودکننده (Blocking vs. Non-blocking)
• 41. مفهوم بن‌بست (Deadlock) در MPI و راه‌های اجتناب از آن
• 42. ارتباطات جمعی (Collective Communications): Bcast, Reduce, Allreduce-
• 43. عملیات Scatter و Gather
• 44. ایجاد انواع داده‌های مشتق‌شده (Derived Datatypes) در MPI
• 45. تقسیم دامنه (Domain Decomposition) برای شبیه‌سازی‌ها
• 46. پیاده‌سازی تبادل سلول‌های هاله (Halo/Ghost Cell Exchange)
• 47. توپولوژی‌های کارتزین در MPI
• 48. بهینه‌سازی ارتباطات در کدهای MPI
• 49. پروفایلینگ و تحلیل عملکرد برنامه‌های MPI
• 50. اشکال‌زدایی برنامه‌های موازی MPI
• 51. مدل برنامه‌نویسی ترکیبی (Hybrid): MPI + OpenMP
• 52. مزایا و چالش‌های مدل ترکیبی
• 53. افیلیته پردازنده و نخ (Processor and Thread Affinity)
• 54. معماری شتاب‌دهنده‌های گرافیکی (GPU)
• 55. مدل برنامه‌نویسی CUDA: گریدها، بلاک‌ها و نخ‌ها
• 56. سلسله مراتب حافظه در GPU: سراسری، مشترک و محلی
• 57. نوشتن و اجرای اولین کرنل (Kernel) در CUDA
• 58. انتقال داده بین میزبان (CPU) و دستگاه (GPU)
• 59. همگام‌سازی نخ‌ها در GPU
• 60. الگوهای دسترسی بهینه به حافظه سراسری (Coalesced Memory Access)
• 61. استفاده از حافظه مشترک (Shared Memory) برای افزایش سرعت
• 62. عملیات اتمی (Atomic Operations) در GPU
• 63. استفاده از جریان‌ها (Streams) برای همپوشانی محاسبات و انتقال داده
• 64. کتابخانه‌های بهینه‌سازی شده CUDA: cuBLAS, cuFFT
• 65. پروفایلینگ کرنل‌های CUDA با NVIDIA Nsight
• 66. اشکال‌زدایی کدهای CUDA
• 67. مقدمه‌ای بر OpenACC: موازی‌سازی مبتنی بر دایرکتیو
• 68. مقایسه CUDA و OpenACC برای مدل‌های علمی
• 69. مطالعه موردی: پورت کردن یک هسته محاسباتی به GPU
• 70. چالش ورودی/خروجی (I/O) در شبیه‌سازی‌های مقیاس بزرگ
• 71. سیستم‌های فایل موازی (Parallel File Systems): Lustre, GPFS
• 72. مقدمه‌ای بر ورودی/خروجی موازی
• 73. کتابخانه‌های ورودی/خروجی سطح بالا: NetCDF و HDF5
• 74. استفاده از NetCDF موازی
• 75. استفاده از HDF5 موازی
• 76. استراتژی‌های بهینه‌سازی ورودی/خروجی: چیدمان داده و تجمیع
• 77. فشرده‌سازی داده‌ها برای کاهش حجم خروجی
• 78. تحلیل و بصری‌سازی درجا (In-situ Analysis and Visualization)
• 79. استراتژی‌های پیشرفته تقسیم دامنه
• 80. توازن بار (Load Balancing) در شبیه‌سازی‌های ناهمگن
• 81. تکنیک‌های ایستا و پویای توازن بار
• 82. استفاده از کتابخانه‌های ریاضی سطح بالا: BLAS, LAPACK, ScaLAPACK
• 83. تحمل خطا (Fault Tolerance) و Checkpointing
• 84. کانتینرسازی برای HPC: آشنایی با Singularity و Docker
• 85. محاسبات سطح بالا در ابر (Cloud HPC)
• 86. یکپارچه‌سازی یادگیری ماشین برای پارامترسازی مدل
• 87. مفاهیم اعتبارسنجی و صحه‌سنجی (Verification and Validation) در کدها
• 88. طراحی نرم‌افزار مقیاس‌پذیر برای سیستم‌های Exascale
• 89. مطالعه موردی جامع: بهینه‌سازی یک مدل ساده آب و هوا از ابتدا تا انتها
• 90. تحلیل عملکرد مدل سریال اولیه
• 91. پیاده‌سازی و ارزیابی بهینه‌سازی‌های تک-رشته‌ای
• 92. موازی‌سازی با OpenMP و تحلیل مقیاس‌پذیری
• 93. موازی‌سازی با MPI و تحلیل مقیاس‌پذیری
• 94. پیاده‌سازی مدل ترکیبی MPI+OpenMP
• 95. پورت کردن بخش‌های کلیدی به GPU با CUDA
• 96. مقایسه عملکرد نسخه‌های مختلف
• 97. بهینه‌سازی ورودی/خروجی مدل نهایی
• 98. روندهای آینده در HPC برای علوم آب و هوا
• 99. جمع‌بندی دوره و گام‌های بعدی
• 100. **یادگیری ماشین برای جایگزینی و تسریع فرآیندهای شبیه‌سازی**