Implementação em GPU de Modelos de Computação Inspirados pela Natureza

• Processo: 12/05196-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2012
• Data de Término da vigência: 31 de março de 2013
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabricio Aparecido Breve
• Beneficiário: Raul Moreira de Souza
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 11/17396-9 - Aprendizado de máquina utilizando modelos inspirados pela natureza, AP.JP
• Assunto(s): Inteligência computacional Aprendizado computacional Aprendizado semissupervisionado Programação concorrente
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Semi-supervisionado | programação concorrente | Inteligência Computacional

Resumo

os últimos anos, as empresas fabricantes de placas de vídeo tem se empenhado em produzir GPUs cada vez mais poderosas. Por serem fortemente otimizadas para executar código paralelizável, tornaram-se alternativas interessantes às tradicionais CPUs para aplicações que tenham essas características. Recentemente, diversos trabalhos orientados à implementação de técnicas de aprendizado de máquina em GPU foram desenvolvidos, tais como implementações de redes neurais e SVM, obtendo desempenho consideravelmente maior que as versões tradicionais implementadas em CPU. Modelos inspirados na natureza são candidatos naturais para a implementação em GPU, visto que comumente utilizam entidades inteligentes autônomas, que trabalham com informações locais e são relativamente independentes umas das outras. Recentemente, foram propostos modelos de movimentação de partículas inteligentes em redes para aplicações de aprendizado de máquina. Tais modelos apresentam ordem de complexidade computacional menor do que a de outros modelos da literatura, porém ainda funcionam de forma assíncrona em um único núcleo de CPU. Neste trabalho, pretende-se criar variantes dos modelos baseados em movimentação de partículas inteligentes, otimizadas para o processamento paralelo e implementá-las em GPU.