
Exploring the Dataflow Supercomputing Paradigm: Example Algorithms for Selected Applications
Ten przydatny tekst/referencja opisuje implementację zróżnicowanego wyboru algorytmów w paradygmacie DataFlow, podkreślając ekscytujący potencjał obliczeń DataFlow w zastosowaniach w takich obszarach, jak rozumienie obrazu, biomedycyna, symulacje fizyczne i biznes.
Mapowanie dodatkowych algorytmów na architekturę DataFlow jest również omówione w następujących tytułach Springer tego samego zespołu: DataFlow Supercomputing Essentials: Badania, rozwój i edukacja, DataFlow Supercomputing Essentials: Algorithms, Applications and Implementations oraz Guide to DataFlow Supercomputing.
Tematy i funkcje: wprowadza nowatorską metodę partycjonowania grafów dla dużych grafów obejmującą konstrukcję grafu szkieletowego; opisuje zintegrowane środowisko programistyczne oparte na chmurze, które może tworzyć i uruchamiać programy bez sprzętu DataFlow będącego własnością użytkownika; prezentuje nowe podejście do obliczania ekstrema funkcji w jednym wymiarze, poprzez implementację algorytmu Golden Section Search; dokonuje przeglądu algorytmów dla architektury DataFlow, która wykorzystuje macierze i wektory jako bazową strukturę danych; przedstawia algorytm projektowania kodu sferycznego oparty na metodzie zmiennej siły odpychania; omawia implementację aplikacji do rozpoznawania twarzy przy użyciu paradygmatu DataFlow; proponuje metodę segmentacji obrazów mammograficznych w oparciu o region zainteresowania na wysokowydajnych rekonfigurowalnych komputerach DataFlow; analizuje różnorodne zastosowania DataFlow w symulacjach fizycznych i bada implementację DataFlow algorytmu wydobywania bitcoinów.
Ten wyjątkowy tom okaże się cennym źródłem informacji dla badaczy i programistów zajmujących się obliczeniami DataFlow i ogólnie superkomputerami. Absolwenci i zaawansowani studenci studiów licencjackich przekonają się również, że książka służy jako idealny tekst uzupełniający do kursów na temat eksploracji danych, systemów mikroprocesorowych i systemów VLSI.