دوره مقدمه‌ای بر محاسبات در مقیاس اگزاکِیل (Exascale Computing): از حافظهٔ اشتراکی تا معماری GPU همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در مقیاس اگزاکِیل (Exascale Computing): از حافظهٔ اشتراکی تا معماری GPU

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: معماری و سیستم‌های پردازشی پیشرفته

📋 سرفصل‌های دوره

• 1. مبانی محاسبات در مقیاس اگزاکِیل
• 2. مقدمه‌ای بر معماری‌های پردازشی
• 3. تاریخچهٔ محاسبات موازی
• 4. مفاهیم کلیدی در محاسبات علمی
• 5. مدل‌های حافظه در سیستم‌های پردازشی
• 6. حافظهٔ اشتراکی و مزایای آن
• 7. محدودیت‌های حافظهٔ اشتراکی
• 8. حافظهٔ توزیع‌شده و اصول آن
• 9. ارتباطات در سیستم‌های حافظهٔ توزیع‌شده
• 10. پروتکل‌های ارتباطی استاندارد
• 11. استانداردهای MPI برای ارتباطات
• 12. پیاده‌سازی‌های MPI و بهینه‌سازی
• 13. پردازنده‌های چند هسته‌ای و معماری آن‌ها
• 14. ریزمعماری پردازنده‌های مدرن
• 15. حافظهٔ نهان (Cache) و سلسله مراتب آن
• 16. مدیریت حافظهٔ نهان
• 17. اهمیت هم‌زمانی (Concurrency)
• 18. تکنیک‌های مدیریت هم‌زمانی
• 19. نخ‌ها (Threads) و انواع آن‌ها
• 20. مدل‌های برنامه‌نویسی نخ‌ها
• 21. همگام‌سازی نخ‌ها
• 22. قفل‌ها (Locks) و بن‌بست‌ها (Deadlocks)
• 23. سیستم‌های پردازش دسته‌ای (Batch Processing)
• 24. زمان‌بندی وظایف در سیستم‌های بزرگ
• 25. مقدمه‌ای بر پردازنده‌های گرافیکی (GPU)
• 26. معماری واحدهای پردازشی گرافیکی
• 27. هسته‌های CUDA و معماری NVIDIA
• 28. هسته‌های OpenCL و معماری‌های مختلف
• 29. حافظهٔ GPU و سلسله مراتب آن
• 30. حافظهٔ سراسری (Global Memory) در GPU
• 31. حافظهٔ مشترک (Shared Memory) در GPU
• 32. ثبات‌ها (Registers) و حافظهٔ محلی (Local Memory)
• 33. مدل برنامه‌نویسی CUDA
• 34. کِرنل‌ها (Kernels) در CUDA
• 35. مدیریت جریان داده در CUDA
• 36. همگام‌سازی در CUDA
• 37. تکنیک‌های بهینه‌سازی عملکرد در CUDA
• 38. مدیریت حافظه در برنامه‌های CUDA
• 39. مقدمه‌ای بر OpenCL
• 40. ساختار برنامه‌نویسی OpenCL
• 41. پلتفرم‌ها و دستگاه‌ها در OpenCL
• 42. کِرنل‌ها و بافرهای OpenCL
• 43. مدیریت حافظه در OpenCL
• 44. همگام‌سازی در OpenCL
• 45. مقایسهٔ CUDA و OpenCL
• 46. کاربردهای GPU در محاسبات علمی
• 47. شتاب‌دهنده‌های سخت‌افزاری دیگر
• 48. مقدمه‌ای بر محاسبات ابررایانه‌ای
• 49. معماری‌های ابررایانه‌های مدرن
• 50. سیستم‌های فایل در ابررایانه‌ها
• 51. مدیریت منابع در ابررایانه‌ها
• 52. سیستم‌های عامل ابررایانه‌ای
• 53. مقدمه‌ای بر الگوریتم‌های موازی
• 54. طراحی الگوریتم‌های موازی
• 55. تحلیل پیچیدگی الگوریتم‌های موازی
• 56. الگوریتم‌های موازی برای مرتب‌سازی
• 57. الگوریتم‌های موازی برای جستجو
• 58. الگوریتم‌های موازی برای ضرب ماتریس‌ها
• 59. الگوریتم‌های موازی برای حل معادلات خطی
• 60. الگوریتم‌های موازی برای شبیه‌سازی‌های فیزیکی
• 61. مقدمه‌ای بر محاسبات با کارایی بالا (HPC)
• 62. چالش‌های HPC
• 63. ابزارهای اشکال‌زدایی (Debugging) در HPC
• 64. پروفایلینگ (Profiling) عملکرد در HPC
• 65. بهینه‌سازی کد برای معماری‌های هدف
• 66. تکنیک‌های کاهش مصرف انرژی در HPC
• 67. مقدمه‌ای بر معماری‌های حافظهٔ هیبریدی
• 68. سیستم‌های حافظهٔ پایدار (Persistent Memory)
• 69. کاربرد حافظهٔ پایدار در HPC
• 70. معماری‌های آیندهٔ محاسبات
• 71. استانداردهای جدید در محاسبات موازی
• 72. اهمیت امنیت در سیستم‌های محاسباتی بزرگ
• 73. مقدمه‌ای بر محاسبات کوانتومی (مرتبط با آینده)
• 74. پایگاه داده‌های توزیع‌شده و موازی
• 75. شبکه‌های ارتباطی پرسرعت
• 76. مقدمه‌ای بر علم داده و کلان داده (Big Data)
• 77. پردازش موازی کلان داده
• 78. چارچوب‌های پردازش کلان داده (مانند Spark)
• 79. یادگیری ماشین موازی
• 80. شبکه‌های عصبی عمیق و پردازش موازی
• 81. بهینه‌سازی سخت‌افزار برای کاربردهای خاص
• 82. مقدمه‌ای بر محاسبات توزیع‌شده
• 83. کاربرد محاسبات توزیع‌شده در صنعت
• 84. مفاهیم مقیاس‌پذیری (Scalability)
• 85. تحلیل عملکرد سیستم‌های موازی
• 86. معماری‌های پردازشی نوین
• 87. نقش نوآوری در پیشرفت HPC
• 88. استانداردهای برنامه‌نویسی موازی
• 89. چالش‌های انتقال کد به معماری‌های جدید
• 90. مباحث پیشرفته در طراحی سیستم‌های پردازشی
• 91. آیندهٔ محاسبات در مقیاس اگزاکِیل
• 92. مقدمه‌ای بر اخلاق در محاسبات علمی
• 93. مسئولیت‌پذیری در توسعهٔ نرم‌افزارهای HPC
• 94. کاربرد HPC در حل مسائل ملی
• 95. مروری بر موفقیت‌های HPC در ایران
• 96. مباحث پایانی در معماری سیستم‌های پردازشی