Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Die Vorlesung führt die nötigen Konzepte der parallelen Verarbeitung ein, und gibt einen Überblick über die augenblicklich verfügbare Hardware. Weiterhin werden grundlegende parallele Algorithmen, z.B. Map, Reduce, Prefix-Sum, Branching, aber auch parallele Anwendungen wie FFT, Partikelsysteme und Simulationen etc. behandelt. Um für neue Probleme effiziente, parallele Lösungen zu entwickeln, werden entsprechende Herangehensweisen und Komplexitätsanalysen vermittelt.

Ein aktueller Trend aller Chip-Hersteller ist es, mehr und mehr Recheneinheiten auf einem Chip zu integrieren, z.B. mit mehreren hundert Prozessoren auf einer Grafikkarte. Um diese Architekturen effizient zu nutzen, müssen geeignete Algorithmen gewählt und die Probleme hinsichtlich der Speicherbandbreite optimiert werden. (1) Ziel der Vorlesung ist es, die Studenten in die Lage zu versetzen, ein gegebenes Problem hinsichtlich der möglichen Effizienzsteigerung durch Parallelisierung zu analysieren. (2) Sie können geignete Algorithmen entwickeln, um ein möglichst schnelle massiv-parallele Implementierung zu erarbeiten. (3) Sie sind in der Lage, durch Profiling ihre Programme hinsichtlich der Speicherbandbreite, der Auslastung der GPU und der Register zu optimieren.

Hubert Nguyen: GPU Gems 3, Addison Wesley; T. Mattson, B. Sanders, B.
Massingill: Patterns for Parallel Programming, Addison Wesley ; gpgpu.org
- General-Purpose Computation Using Graphics Hardware; NVIDIA CUDA
page; NVIDIA CUDA Programming Guide ; Vorlesungsfolien werden bereitgestellt