Parallel Computing Toolbox

Esecuzione di calcoli paralleli su computer multicore, GPU e cluster

Hai domande? Contatta l’ufficio commerciale.

Parallel Computing Toolbox consente di risolvere problemi ad alta intensità di dati e di calcolo utilizzando processori multicore, GPU e cluster di calcolo. I costrutti di alto livello (for-loop paralleli, tipi speciali di array e algoritmi numerici parallelizzati) consentono di scalare le applicazioni MATLAB senza ricorrere alla programmazione CUDA o MPI. Parallel Computing Toolbox consente inoltre di utilizzare funzioni abilitate per il calcolo parallelo in MATLAB e in altri toolbox e di eseguire più simulazioni Simulink in parallelo. I programmi e i modelli possono essere eseguiti in modalità interattiva e in batch.

Il toolbox consente di sfruttare tutta la potenza di elaborazione dei desktop multicore e abilitati per GPU eseguendo applicazioni sui thread e sui processi worker (motori di calcolo MATLAB) in esecuzione in locale. È possibile eseguire le stesse applicazioni su cluster o Cloud senza dover modificare il codice (con MATLAB Parallel Server). Inoltre è possibile utilizzare il toolbox con MATLAB Parallel Server per eseguire calcoli della matrice che sono troppo grandi per la memoria di una singola macchina.

Che cos’è Parallel Computing Toolbox?

Grafico della maggior velocità di calcolo di MATLAB con il calcolo parallelo per attività indipendenti.

Accelerazione di MATLAB con computer multicore

Utilizza parfor e altre funzionalità per eseguire thread o processi MATLAB paralleli per attività come scansioni parametriche, ottimizzazioni e simulazioni Monte Carlo. Le funzionalità del linguaggio MATLAB (con Parallel Computing Toolbox) sono in grado di gestire risorse, dipendenze dei file e altri dettagli, consentendoti di concentrarti sul tuo lavoro.

Guida rapida al calcolo parallelo

Documentazione | Esempi

Accelerazione di MATLAB mediante GPU

Puoi utilizzare le GPU di NVIDIA^®senza dover scrivere codice aggiuntivo: in questo modo potrai concentrarti sulle tue applicazioni piuttosto che sull’ottimizzazione delle prestazioni. Le funzioni chiave in MATLAB, Simulink e in diversi prodotti complementari, come Deep Learning Toolbox, sono abilitate per GPU. Gli sviluppatori avanzati possono inoltre creare funzioni MEX contenenti codice CUDA. Utilizza più GPU su desktop, cluster di calcolo e ambienti Cloud.

Documentazione | Esempi

Pulsanti per l’abilitazione parallela dell’app Classification Learner.

Funzionalità aggiuntive di MATLAB abilitate per il calcolo parallelo

Molte funzionalità di MATLAB e dei prodotti complementari supportano automaticamente il calcolo parallelo e molte app dispongono di funzioni di questo tipo. Parallel Computing Toolbox include un ampio linguaggio parallelo che include i modelli di esecuzione, dall’esecuzione di funzioni parallele al parallelismo dei dati, senza dover ricodificare l’algoritmo.

Scelta di una soluzione di calcolo parallelo

Documentazione | Esempi

Esecuzione di più simulazioni Simulink in parallelo

Utilizza la funzione parsim per eseguire le simulazioni in parallelo. La funzione distribuisce più simulazioni a CPU multicore per ridurre il tempo complessivo delle simulazioni. parsim automatizza inoltre la creazione di pool paralleli, identifica le dipendenze dei file e gestisce gli artefatti di costruzione, per consentirti di concentrarti sul lavoro di progettazione. È possibile eseguire simulazioni parallele in modo interattivo o in batch.

Simulazioni parallele (1:06)

Documentazione | Esempi

Simulation Manager

Simulation Manager è integrato con parsim e può essere utilizzato per monitorare e visualizzare più simulazioni in una finestra. È possibile selezionare una singola simulazione e visualizzarne le specifiche, nonché utilizzare Simulation Data Inspector per esaminare i risultati della simulazione. Inoltre è possibile eseguire attività diagnostiche o interrompere le simulazioni in modo efficace.

Documentazione

Simulazioni parallele abilitate da una preferenza o da un’impostazione flag nella scheda delle opzioni per il calcolo parallelo.

Utilizzo delle funzionalità di Simulink abilitate per il calcolo parallelo

Oltre alle funzioni parsim e batchsim per eseguire simulazioni Simulink, sono disponibili vari prodotti complementari per Simulink, tra cui Simulink Design Optimization, Reinforcement Learning Toolbox, Simulink Test e Simulink Coverage, che forniscono funzionalità per il calcolo parallelo per eseguire simulazioni in parallelo senza dover scrivere codice.

Documentazione | Esempi

Esecuzione di un desktop MATLAB su Cloud pubblici e privati

Accelera le analisi e le simulazioni sfruttando CPU e macchine GPU on demand e ad alte prestazioni disponibili sul Cloud. Esegui MATLAB e Simulink direttamente su macchine virtuali nell’ambiente Amazon Web Services^®(AWS) o in Microsoft Azure^®.

Che cos’è MathWorks Cloud Center? (2:41)

Documentazione

Due grafici che illustrano la scalabilità delle applicazioni con cluster aggiuntivi e risorse Cloud senza dover modificare il codice.

Scalabilità su cluster con MATLAB Parallel Server

Sviluppa un prototipo sul desktop e scala su un cluster di calcolo o su Cloud senza ricodifica. Accedi a diversi ambienti di esecuzione dal desktop modificando soltanto il profilo cluster.

Utilizzo del calcolo parallelo per ottenere risultati più rapidamente con MATLAB (4:59)

Documentazione | Esempi

Utilizzo di array distribuiti su MATLAB Parallel Server

Esegui calcoli che non possono essere contenuti nella memoria di una singola macchina senza dover ricodificare l’algoritmo. Utilizza le varie funzioni che possono essere eseguite automaticamente come calcoli distribuiti quando vengono chiamate con un input di array distribuiti. Prototipa sul desktop e scala su risorse aggiuntive utilizzando MATLAB Parallel Server per un’esecuzione su larga scala.

Superamento dei limiti di memoria mediante array distribuiti in MATLAB (6:03)

Documentazione | Esempi

Risorse sui prodotti:

Documentazione Esempi Video Articoli tecnici Funzioni Requisiti Note della release MATLAB Multicore

“Abbiamo utilizzato Parallel Computing Toolbox con MATLAB Parallel Server per distribuire il lavoro su un cluster con 56 processori. Questo ci ha consentito di identificare rapidamente una configurazione di rete neurale ottimale utilizzando MATLAB e Deep Learning Toolbox, di addestrare la rete con i dati dei database dei trapianti e di eseguire poi simulazioni per analizzare i fattori di rischio e il tasso di sopravvivenza.”
Johan Nilsson, Skåne University Hospital, Università di Lund

Visualizza altri casi dei clienti