Key points are not available for this paper at this time.
الملخص. أنظمة توقعات المحيط التشغيلية هي محركات معقدة يجب أن تنفذ نماذج المحيط بأداء عالي لتوفير منتجات ومجموعات بيانات في الوقت المناسب. وبالتالي، تحتاج موارد حسابية كبيرة لتشغيل نماذج عالية الدقة، وتاريخياً، كانت التطورات التكنولوجية في المعالجات الدقيقة تقيد الحسابات العلمية المتوازية. اليوم، تقدم وحدات معالجة الرسوميات (GPUs) مصدرًا إضافيًا وقيمًا من قوة الحوسبة للآلات التقليدية المعتمدة على وحدات المعالجة المركزية (CPUs): إن استغلال الآلاف من الخيوط يمكن أن يسرع بشكل كبير من تنفيذ العديد من النماذج، بدءًا من أحمال العمل التقليدية للحوسبة عالية الأداء لنماذج الفرق المحدود/الحجم/العنصر وصولاً إلى تدريب الشبكات العصبية العميقة المستخدمة في تعلم الآلة والذكاء الاصطناعي. على الرغم من المزايا، لا يزال استخدام GPU في توقعات المحيط محدودًا بسبب إرث تنفيذ النماذج المعتمدة على CPU والتعقيد الجوهري لنقل النماذج الأساسية إلى معماريات GPU. تستكشف هذه المراجعة الاستخدام المحتمل لوحدات معالجة الرسوميات في توقعات المحيط وكيف يمكن أن تؤثر الخصائص الحسابية لنماذج المحيط على ملاءمة معماريات GPU لتنفيذ سلسلة القيمة الإجمالية: تناقش الأساليب الحالية لنقل الشيفرة (والأداء) من CPU إلى GPU، وتفصل بين الأدوات التي تقوم بتحويل الشيفرة، مما يسهل التكيف مع شيفرة Fortran لتنفيذ GPU (مثل PSyclone) أو الاستخدام المباشر لتوجيهات OpenACC (مثل ICON-O)، إلى اعتماد أطر عمل محددة تسهل إدارة التنفيذ المتوازي عبر معماريات مختلفة.
دراسة بورتير وآخرون (الخميس) هذا السؤال.