Avaliação do Esforço de Programação em GPU: Estudo Piloto

• Gabriella Andrade PUCRS
• Dalvan Griebler PUCRS
• Luiz Gustavo Fernandes PUCRS

DOI: https://doi.org/10.5753/eradrs.2022.19179

Resumo

O desenvolvimento de aplicações para GPU não é uma tarefa fácil, pois exige um maior conhecimento da arquitetura. Neste trabalho realizamos um estudo piloto para avaliar o esforço de programadores não-especialistas ao desenvolver aplicações para GPU. Os resultados revelaram que a GSParLib requer menos esforço em relação as demais interfaces de programação paralela. Entretanto, mais investigações são necessárias a fim de complementar o estudo.

Referências

Fabeiro, J. F., Escribano, A. G., and Llanos, D. R. (2019). Simplifying the multi-gpu programming of a hyperspectral image registration algorithm. In HPCS 2019, pages 11–18. IEEE.

Miller, J. and Arenaz, M. (2019). Measuring the impact of hpc training. In EduHPC 2019, pages 58–67. IEEE.

Rockenbach, D. A. (2020). High-Level Programming Abstractions for Stream Parallelism on GPUs. Master’s thesis, PPGCC PUCRS, Porto Alegre, Brazil.

Wu, B. and Shen, X. (2017). Software-level task scheduling on gpus. In Advances in GPU Research and Practice, Emerging Trends in Computer Science and Applied Computing, chapter 4, pages 83–103.

Wu, S., Dong, X., Wang, Y., and Chen, W. (2019). Language constructs and semantics for runtime-independent parallelism expression on heterogeneous systems. In ICCC 2019, pages 1269–1275. IEEE.