Николай Полярный
– Team Lead команды разработки Agisoft Metashape
– Автор курса фотограмметрии и курса алгоритмов на видеокартах
– Школьный учитель программирования

Графические процессоры (GPU) предоставляют тысячи параллельных вычислительных потоков, поэтому при правильно организованном коде ускорение по сравнению с CPU может достигать ×10–×100. Однако не каждый алгоритм выигрывает от такой архитектуры. На курсе мы разберём, когда GPU-ускорение оправдано, и как извлечь из него максимум производительности.

Помимо разбора архитектуры и синтаксиса GPU-кода (CUDA, OpenCL, Vulkan), курс нацелен на формирование мышления в парадигме массового параллелизма. Мы обсудим, как перенести на GPU даже такие казалось бы линейные алгоритмы как merge-sort и добиться ускорения вплоть до ×100.

API-взаимодействие CPU с GPU мы обсудим лишь обзорно — в практических заданиях его возьмет на себя обёртка-библиотека. Главный акцент будет на коде, исполняемом непосредственно на видеокарте, а не на низкоуровневом управлении копированием памяти и запуском кернелов.

Базовое представление о курсе можно получить посмотрев открытую лекцию «Видеокарты: что они могут? Могут ли они хоть что-то?», однако на курсе темы разбираются гораздо плавнее и глубже, сопровождаются практическими заданиями, а завершает обучение устный экзамен.

Примеры алгоритмов, которые мы реализуем в модели массового параллелизма:
– prefix-sum (scan)
– merge-sort за O(N) вместо O(N log N)
– умножение матриц (ядро большинства AI-фреймворков)
– построение BVH-дерева (фундамент современного real-time Ray Tracing)

Пререквизиты:
– умение писать простой C++-код на уровне работы с арифметикой указателей
– понимание асимптотического анализа, базовых алгоритмов и структур данных
– базовые знания многопоточности
– для выполнения заданий достаточно любого ноутбука (видеокарта не требуется, можно тестировать на процессоре)
– для выполнения заданий рекомендуется Ubuntu или Windows, на MacOS потребуются дополнительные усилия

Также на лекциях будут лилипуты и клоуны!

Федор Писниченко
Доцент кафедры прикладной математики Федерального университета ABC (UFABC) в Бразилии с более чем 14-летним опытом преподавания. Моя специализация охватывает численную оптимизацию, методы оптимизации с ограничениями в виде дифференциальных уравнений (PDE-constrained) и высокопроизводительные вычисления. Мои исследования включают линейное и нелинейное программирование, оптимизацию без использования производных и численные методы для решения дифференциальных уравнений, с применением в обработке сейсмических данных и разработке решений для задач в реальном времени. Сотрудник Chebyshev Research Center.

Курс посвящен теории и методам решения задач линейной оптимизации. Изучаются математические основы: выпуклые множества и многогранники, теорема об экстремальных точках, двойственность и условия оптимальности. Обсуждаются алгоритмы: симплекс-метод с модификациями (инициализация искусственными переменными, двухфазная схема, двойственный симплекс, анализ вырождения и правило Блэнда для предотвращения циклов), методы внутренней точки. Рассматриваются результаты о полиномиальной разрешимости (метод эллипсоидов Хачияна, метод Кармаркара) и их реализация для разреженных данных.

Изучаются специальные структуры и крупные задачи: сетевые модели, транспортные задачи с алгоритмами (максимальный поток/минимальный разрез), техники препроцессинга и факторизации. Обсуждаются основы декомпозиции (Данциг–Вулф). Практика включает моделирование и эксперименты в программных пакетах (открытых и коммерческих решателях ЛП), сравнение методов и анализ результатов. Требуются знания линейной алгебры и математического анализа; полезны навыки программирования.

Константин Сергеевич Яковлев
Ведущий научный сотрудник ФИЦ ИУ РАН, AIRI и Лаборатории Маркова СПбГУ, доцент МФТИ и ВШЭ.

Робототехника стремительно развивается и активно трансформирует наш мир. Логистика, автоматизированные склады, поисковые и спасательные миссии — далеко не полный список областей, где уже активно применяются роботы. Для того, чтобы их внедрение давало нужный эффект, они должны быть максимально интеллектуальными. Но что означает «интеллектуальный робот»? Как добиться от него интеллектуальности (и всегда ли это нужно)? Какие классические и современные подходы используются сегодня для построения систем управления роботами? Эти вопросы мы и обсудим в рамках предстоящего доклада-дискуссии.