In Slovene: predavanje na daljavo: SUPERRAČUNALNIŠTVO V MARIBORU (izr. prof. dr. Aleš Zamuda), torek, 21. decembra 2021 ob 20:00 na daljavo preko MS Teams. The event report for IEEE CIS11: https://events.vtools.ieee.org/m/295510

1. Introduction Izzivi Pobude Orodja Zaključek Reference
Superračunalništvo v Mariboru
Strokovno predavanje na daljavo za ZID MB in IEEE CIS11
21. december 2021
izr. prof. dr. Aleš Zamuda
ales.zamuda@um.si
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 1/ 31

2. Introduction Izzivi Pobude Orodja Zaključek Reference
Predstavitev: cilji tega predavanja
Predavanje je osredotočeno na
I zbiranje, analiziranje in vizualizacijo skozi
superračunalništvo (HPC)
I sistemskih kot tudi aplikacijskih podatkov (MODA)
I ter moje mnenje o tem, kako je mogoče osmisliti podatke za
uporabne izsledke ob uporabi HPC.
I Razloženo s primeri: iz vidika uporabe HPC (zakaj HPC?).
Rešitve v praksi: znanost in HPC
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 2/ 31

3. Introduction Izzivi Pobude Orodja Zaključek Reference
Uvod: razdelitev vsebine predavanja
I Prvi del (5 minut): izzivi
izzivi, ki so vodili v potrebo po uporabi superračunalniških
arhitektur (HPC) za eksperimente primerjalne analize,
I Drugi del (2 minuti): pobude
predstavitev pobud HPC,
na voljo v Mariboru, v Sloveniji in širše.
I Tretji del (7 minut): MODA
MODA orodja uporabljena na
primeru uporabe HPC za izdelavo povzetkov besedila.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 3/ 31

4. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi
(Prvi del)
Soočeni s 5 vrstami izzivov, ki so privedli do potrebe za uporabo
arhitektur HPC za analize v aktualnih tematikah iz
1. modeliranja, simulacije in vizualizacije gozdnih ekosistemov,
2. načrtovanje misij za podoceanske robote,
3. načrtovanje proizvodnje energije za hidroelektrarne in
termoelektrarne,
4. razumevanje evolucijskih algoritmov in
5. povzemanje besedila.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 4/ 31

5. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi 1: modeliranje, simulacija in
vizualizacija gozdnih ekosistemov
I HPC uporabljen za obdelavo prostorskih podatkov in
dodajanje postopkovnih vsebin.
Videji: https://www.youtube.com/watch?list=PL7pmTW8neV7tZf2qx1wV5zbD74sUyHL3B&v=V9YJgYO_sIA
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 5/ 31

6. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi 2: načrtovanje misij za podoceanske robote
I Prostorsko-časovni računalniški model dinamike tekočin (CFD) oceanskih
tokov za avtonomno načrtovanje poti podoceanskega vozila — UGPP.
I Optimizacija z omejeno
diferencialno evolucijo (DE) načrtovanja
podvodnih poti vozil za vzorčenje
vrtincev (turbolenc) srednjih velikosti.
I Koridorsko omejena optimizacija:
vzorčenje robu regije vrtinca (turbolence) —
nov izziv za UGPP & DE.
I Veljavno območje poti je omejeno — pot v
koridorju okoli meje oceanskega vrtinca.
Cilj jadralne sonde je učinkovitejše vzorčenje
oceanografskih spremenljivk,
pri tem pa ohraniti omejeno trajektorijo.
HPC: razviti nove metode in jih ovrednotiti.
Video: https://www.youtube.com/watch?v=4kCsXAehAmU
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 6/ 31

7. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi 3: načrtovanje proizvodnje energije za
hidroelektrarne in
termoelektrarne
A. Glotić, A. Zamuda. Short-term combined economic and emission
hydrothermal optimization by surrogate differential evolution.
Applied Energy, 1 March 2015, vol. 141, pp. 42-56.
DOI: 10.1016/j.apenergy.2014.12.020
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 7/ 31

8. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi 4: razumevanje evolucijskih algoritmov
I Vrednotenje evolucijskih algoritmov za
razumevanje računske inteligence teh
algoritmov (→ zahteva po shrambi!),
I cilj: strojno učenje za oblikovanje
optimizacijskega algoritma
(učenje učenja).
I Primer načrtovanja mehanizma algoritma RI:
samoprilagoditev krmilnih parametrov (v DE).
Video: https://www.youtube.com/watch?v=R244LZpZSG0
Aplikacijski skladi z dejansko kodo:
po navdihu prejšnjih tekmovanj v
računski optimizaciji v zveznih
prostorih, ki so uporabljala
testne funkcije za
domene aplikacij iz optimizacije:
I enokriterijsko: CEC 2005,
2013, 2014, 2015
I omejeno: CEC 2006, CEC 2007, CEC 2010
I večmodalno: CEC 2010, SWEVO 2016
I črne škatle (ciljna vrednost): BBOB 2009,
COCO 2016
I hrupna optimizacija: BBOB 2009
I obsežno: CEC 2008, CEC 2010
I dinamično: CEC 2009, CEC 2014
I resnični svet: CEC 2011
I računsko intenzivno: CEC 2013, CEC 2015
I na osnovi učenja: CEC 2015
I 100-ciferno (50% tarče): 2019 skupno CEC,
SEMCCO, GECCO
I večkriterijsko: CEC 2002, CEC 2007, CEC
2009, CEC 2014
I dvokriterijsko: CEC 2008
I velikokriterijsko: CEC 2018
Uporaba uglaševanja / razvrščanja / hiperhevristike.
→ DEji kot navadno zmagovalni algoritmi.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 8/ 31

9. Introduction Izzivi Pobude Orodja Zaključek Reference
Izzivi 5: povzemanje besedil
Za NLP, del ”velepodatkov”.
Izrazi v stavkih so določeni z uporabo
semantične analize z uporabo:
I iskanja sopojavitev (z uporabo WordNet) in
I konceptualnih matrik (iz Freeling).
INPUT
CORPUS
NATURAL
LANGUAGE
PROCESSING
ANALYSIS
CONCEPTS
DISTRIBUTION
PER
SENTENCES
MATRIX OF
CONCEPTS
PROCESSING
CORPUS
PREPROCESSING
PHASE
OPTIMIZATION
TASKS
EXECUTION
PHASE
ASSEMBLE
TASK
DESCRIPTION
SUBMIT
TASKS
TO PARALLEL
EXECUTION
OPTIMIZER
+
TASK DATA
ROUGE
EVALUATION
Podrobna nova metoda, imenovana
CaBiSDETS je razvita v pristopu s HPC,
ki obsega:
I različico evolucijskega algoritma
(diferencialna evolucija, DE),
I samoprilagajanje, binarizacija,
prilagajanje omejitev in še nekaj
predizračunavanja,
I optimiziranje vhodov za definiranje
optimizacijskega modela povzetka.
Aleš Zamuda, Elena Lloret. Optimizing Data-Driven
Models for Summarization as Parallel Tasks. Journal of
Computational Science, 2020, vol. 42, pp. 101101.
DOI: 10.1016/j.jocs.2020.101101
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 9/ 31

10. Introduction Izzivi Pobude Orodja Zaključek Reference
Pobude
(Drugi del)
Časovnica (kot član) nedavnih uspešnih HPC pobud, vključno s Slovenijo:
I SLING: Slovensko nacionalno superračunalniško omrežje, 2010-05-03–,
I SIHPC: Superračunalniški konzorcij Slovenije, 2016-03-04–
I ImAppNIO: Izboljšanje uporabnosti naravno navdihnjene optimizacije s
povezovanjem teorije in prakse, 2016-03-09–2020-10-31
I cHiPSet: Visoko zmogljivo modeliranje in simulacija za velepodatkovne
aplikacije, 2015-04-08–2019-04-07,
I HPC RIVR: Nadgradnja nacionalnih raziskovalnih infrastruktur,
investicijksi program, 2018-03-01–2020-09-15,
I TFoB: IEEE CIS Task Force on Benchmarking, January 2020–,
I EuroCC: National Competence Centres in the framework of EuroHPC,
2020-09-01–(2022-08-31),
I DAPHNE: Integracija kanalov za analizo podatkov za upravljanje velikih
podatkov, HPC in strojno učenje, 2020-12-01–(2024-11-24).
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 10/ 31

11. Introduction Izzivi Pobude Orodja Zaključek Reference
Pobude: SLING, SIHPC, HPC RIVR, EuroCC
I Združenje in koordiniranje HPC infrastrukture v Sloveniji, skozi:
I SLING: Slovensko nacionalno superračunalniško omrežje
→ združilo pobudo orkestracije virov HPC po vsej državi.
I SIHPC: Superračunalniški konzorcij Slovenije
→ koordiniral prvo prijavo za sredstva EU za HPC Teaming v
državi (in sodelovanje Slovenije v programu PRACE 2).
I HPC RIVR: Nadgradnja nacionalnih raziskovalnih infrastruktur,
investicijksi program
→ je zagotovil naložbo v eksperimentalno infrastrukturo HPC.
I EuroCC: National Competence Centres in the framework of
EuroHPC
→ je zagotovil nacionalni kompetenčni center, EuroHPC.
Vega supercomputer operativen
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 11/ 31

12. Introduction Izzivi Pobude Orodja Zaključek Reference
O prvi prijavi EU Teaming HPC z UM: SIHPC, marec 2016
I Sem predstavnik SIHPC za UM FERI ter
podpredsednik konzorcija SIHPC (poleg UM FERI še UL FS,
FIŠ, UL FRI, UL FGG, IMT in Arctur),
v katerem je vključenih 7 laboratorijev iz UM FERI:
I Laboratorij za računalniške arhitekture in jezike
https://labraj.feri.um.si/
I Laboratorij za geoprostorsko modeliranje, multimedijo in
umetno inteligenco
https://gemma.feri.um.si/
I Laboratorij za heterogene računalniške sisteme
https://lhrs.feri.um.si/
I Laboratorij za električne stroje in vodenje
https://ime.feri.um.si/elektricni-stroji-in-vodenje/
I Laboratorij za aplikativno elektromagnetiko
https://ime.feri.um.si/aplikativna-elektromagnetika
I Laboratorij za energetiko
https://ime.feri.um.si/energetika/
I Laboratorij za sisteme v realnem času
https://ii.feri.um.si/sl/o-institutu/laboratoriji/
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 12/ 31

13. Introduction Izzivi Pobude Orodja Zaključek Reference
Pobuda: Partnership for Advanced Computing in Europe
(PRACE) 2
Consortium Slovenian High-Performance Computing Centre
Aškerčeva ulica 6
SI-1000 Ljubljana
Slovenia
Ljubljana, 22. 2. 2017
prof. dr. Anwar Osseyran
PRACE Council Chair
Subject: Participation of Slovenia in PRACE 2
Dear professor Osseyran,
In March 2016 a consortium Slovenski superračunalniški center (Slovenian High-Performance
Computing Centre - SIHPC) was established with a founding act (Attachment 1) where article 6
claims that the consortium will join PRACE and that University of Ljubljana, Faculty of
mechanical engineering (ULFME) will represent the consortium in the PRACE. The legal
representative of ULFME in the consortium and therefore, also in the PRACE (i.e., the delegate
in PRACE Council with full authorization) is prof. dr. Jožef Duhovnik, as follows from
appointment of the dean of ULFME (Attachment 2).
The consortium has also agreed that it joins PRACE 2 optional programme as contributing GP.
With best regards,
assist. prof. dr. Aleš Zamuda, vice-president of SIHPC
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 13/ 31

14. Introduction Izzivi Pobude Orodja Zaključek Reference
Računalništvo: ImAppNIO, cHiPSet, TFoB, DAPHNE
Raziskovalni projekti s cilji v smeri programja za poganjanje HPC
in izboljševanja zmogljivosti (super)računalništva (#1 od 2):
I ImAppNIO: Izboljšanje uporabnosti naravno navdihnjene optimizacije s
povezovanjem teorije in prakse (angl. Improving Applicability of
Nature-Inspired Optimisation by Joining Theory and Practice),
→ izboljšati zmogljivosti skozi vrednotenje
(za razumevanje (in učenje učenja)) postopkov RI.
I cHiPSet: Visoko zmogljivo modeliranje in simulacija za velepodatkovne
aplikacije (angl. High-Performance Modelling and Simulation for Big
Data Applications),
→ vključi HPC v modeliranje in simulacijo (procesa, ki se ga je treba
naučiti)
I TFoB: IEEE CIS Task Force on Benchmarking,
→ vključuje priložnosti za primerjalno analizo RI, kjer bi HPC omogočil
nove zmogljivosti.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 14/ 31

15. Introduction Izzivi Pobude Orodja Zaključek Reference
Računalništvo: ImAppNIO, cHiPSet, TFoB, DAPHNE
Raziskovalni projekti s cilji v smeri programja za poganjanje HPC in
izboljševanja zmogljivosti (super)računalništva (#2 od 2):
I DAPHNE: Integracija kanalov za analizo
podatkov za upravljanje velikih podatkov,
HPC in strojno učenje (angl. Integrated Data
Analysis Pipelines for Large-Scale Data
Management, HPC, and Machine Learning).
→ opredeliti in zgraditi odprto in razširljivo
sistemsko infrastrukturo za integrirane
cevovode analize podatkov, vključno z
upravljanjem in obdelavo podatkov,
visokozmogljivim računalništvom (HPC) ter
usposabljanjem in ocenjevanjem strojnega
učenja (ML).
https://daphne-eu.github.io/
https://daphne-eu.eu/
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 15/ 31

16. Introduction Izzivi Pobude Orodja Zaključek Reference
Orodja
(Tretji del)
Orodja za MODA (Monitoring and Operational Data Analytics):
I moda21 : Second International Workshop on Monitoring and
Operational Data Analytics https://moda21.sciencesconf.org/
I zbiranje, analiziranje in vizualizacijo skozi superračunalništvo
(HPC)
I sistemskih kot tudi aplikacijskih podatkov (MODA)
I kako je mogoče osmisliti podatke za uporabne izsledke,
I razloženo s primeri iz vidika uporabe HPC (zakaj HPC?).
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 16/ 31

17. Introduction Izzivi Pobude Orodja Zaključek Reference
MODA Actionable Insights, Explained From a HPC User
Perspective, Through the Example of Summarization
Najbolj zanimive ugotovitve povzemanja na primeru HPC so
I zmogljivost modela NLP se s podaljšanjem namenjenih virov HPC
nenehno povečuje (glej spodaj) in da
I je izmerjeno izboljšanje ustreznosti povezano z oceno ROUGE,
t.j. boljšimi povzetki.
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
1 10 100 1000 10000
ROUGE-1R
ROUGE-2R
ROUGE-LR
ROUGE-SU4R
Fitness (scaled)
Zato uporaba HPC
bistveno prispeva k
zmogljivosti izziva NLP.
Z vpogledom MODA dobimo tudi uporabno
povratno informacijo o
izvajalnih časih in uporabi virov.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 17/ 31

18. Introduction Izzivi Pobude Orodja Zaključek Reference
Izvajanje nalog na HPC: priprava nalog z ARC
Vzporedne naloge povzemanja na HPC pripravljene z ARC.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 18/ 31

19. Introduction Izzivi Pobude Orodja Zaključek Reference
Izvajanje nalog na HPC: pošiljanje nalog z ARC,
prejemanje in združitev rezultatov [JoCS2020]
S pristopom HPC in z
vzporednostjo nalog:
optimizacija modela
povzemanja na podlagi
podatkov
– izboljšani rezultati
primerjalnih meritev
(narisani z združitvijo v
Gnuplot).
MODA je potrebna
za ponovni zagon in
izboljšanje, za
napoved, kako
nastaviti zahtevani
čas izvajanja naloge
in vire
(napovedovanje
odziva sistema).
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 19/ 31

20. Introduction Izzivi Pobude Orodja Zaključek Reference
Spremljanje in analitika operativnih podatkov (angl.
Monitoring and Operational Data Analytics – MODA)
I Uporabljen spremljevalnik (nalog,
CPE/stenskega časa, itd.):
Smirnova, Oxana. The Grid Monitor. Usage manual,
Tech. Rep. NORDUGRID-MANUAL-5, The NorduGrid
Collaboration, 2003.
http://www.nordugrid.org/documents/
http://www.nordugrid.org/manuals.html
http://www.nordugrid.org/documents/monitor.pdf
I Nameščen na:
www.nordugrid.org/monitor/
I NorduGrid Grid Monitor
Vzorčen: 2021-06-28 at 17-57-08
I Po Sloveniji:
https://www.sling.si/gridmonitor/loadmon.php
http://www.nordugrid.org/monitor/index.php?
display=vo=Slovenia
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 20/ 31

21. Introduction Izzivi Pobude Orodja Zaključek Reference
MODA primer iz: ARC na Jost
Primeri eksperimentov iz DOI: 10.1016/j.swevo.2015.10.007 (SPSRDEMMS)
– naloga YYULDmGOXpmnmmR0Xox1SiGmABFKDmABFKDmrtMKDmABFKDm66faPo.
Primer datoteke ARC gridlog/diag (2–3 dni časa dejanske stenske ure).
runtimeenvironments=APPS/ARNES/MPI−1.6−R;
CPUUsage=99%
MaxResidentMemory=5824kB
AverageUnsharedMemory=0kB
AverageUnsharedStack=0kB
AverageSharedMemory=0kB
PageSize =4096B
MajorPageFaults=4
MinorPageFaults =1213758
Swaps=0
ForcedSwitches =36371494
WaitSwitches =170435
I n p u t s =45608
Outputs =477168
SocketReceived=0
SocketSent=0
S i g n a l s=0
nodename=wn003 . arnes . s i
WallTime=148332 s
P r o c e s s o r s =16
UserTime =147921.14 s
KernelTime =2.54 s
AverageTotalMemory=0kB
AverageResidentMemory=0kB
LRMSStartTime =20150906104626Z
LRMSEndTime=20150908035838Z
e x i t c o d e=0
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 21/ 31

22. Introduction Izzivi Pobude Orodja Zaključek Reference
EuroCC HPC: Vega (TOP500 #106, HPCG #56 — junij 2021)
I Raziskovalci se lahko prijavijo na razpise EuroHPC JU za dostop.
I Redni klici so se pričeli to jesen (Benchmark & Development).
I https://prace-ri.eu/benchmark-and-development-access-information-for-applicants/
I 60% zmogljivosti za nacionalni delež (70% OA, 20% komercialno, 10% gostitelj (skupnost, nujna
prioriteta državnega pomena, vzdrževanje)) + 35% EuroHPC JU delež (odobrenih vlog)
I Ima SLURM dev razdelki za prijavo SSH (SLURM razdelki z CPEji: login[0001-0004]=128;
login[0005-0008]=64; cn[0001-384,0577-0960]=256; cn[0385-0576]=256; gn[01-60]=256).
Listing 1: Postavitev na Vega — dostop do razdelka slurm dev (login).
1 [ a l e s . zamuda@vglogin0007 ˜] $ s i n g u l a r i t y p u l l qmake . s i f docker :// ak352/qmake−opencv
2 [ a l e s . zamuda@vglogin0007 ˜] $ s i n g u l a r i t y run qmake . s i f bash
3 cd sum ; qmake ; make c l e a n ; make
4
5 [ a l e s . zamuda@vglogin0007 ˜] $ cat runme . sh
6 #!/ bin / bash
7 cd sum && time mpirun
8 −
−mca b t l o p e n i b w a r n n o d e v i c e p a r a m s f o u n d 0
9 ./ summarizer
10 −
−useBinaryDEMPI −
−i n p u t f i l e mRNA−1273−t x t
11 −
−withoutStatementMarkersInput
12 −
−printPreprocessProgress calcInverseTermFrequencyndTermWeights
13 −
−p r i n t O p t i m i z a t i o n B e s t I n G e n e r a t i o n
14 −
−summarylength 600 −
−NP 200
15 −
−
GMAX 400
16 > summarizer . out . $SLURM PROCID
17 2> summarizer . e r r . $SLURM PROCID
-0.65
-0.6
-0.55
-0.5
-0.45
-0.4
-0.35
-0.3
-0.25
-0.2
-0.15
-0.1
1 10 100
Evaluation
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 22/ 31

23. Introduction Izzivi Pobude Orodja Zaključek Reference
MODA na prvem EuroCC HPC Vega superračunalniku
Listing 2: Izvajanje na Vega & MODA.
1 ===================================================================== GMAX=200 =====
2 [ a l e s . zamuda@vglogin0002 ˜] $ srun −
−cpu−bind=c o r e s −
−nodes=1 −
−ntasks−per−node=101
3 −
−cpus−per−task=2 −
−mem=180G s i n g u l a r i t y run qmake . s i f bash
4 srun : job 4531374 queued and w a i t i n g f o r r e s o u r c e s
5 srun : job 4531374 has been a l l o c a t e d r e s o u r c e s
6 [ ”$SLURM PROCID” = 0 ] && ./ runme . sh
7 r e a l 5m22.475 s
8 u s e r 484m42.262 s
9 s y s 1m38.304 s
10 ===================================================================== NODES=51 =====
11 [ a l e s . zamuda@vglogin0002 ˜] $ srun −
−cpu−bind=c o r e s −
−nodes=1 −
−ntasks−per−node=51
12 −
−cpus−per−task=2 −
−mem=180G s i n g u l a r i t y run qmake . s i f bash
13 srun : job 4531746 queued and w a i t i n g f o r r e s o u r c e s
14 srun : job 4531746 has been a l l o c a t e d r e s o u r c e s
15 [ ”$SLURM PROCID” = 0 ] && ./ runme . sh
16 r e a l 13m57.851 s
17 u s e r 431m25.833 s
18 s y s 0m29.272 s
19 ===================================================================== GMAX=400 =====
20 [ a l e s . zamuda@vglogin0002 ˜] $ srun −
−cpu−bind=c o r e s −
−nodes=1 −
−ntasks−per−node=101
21 −
−cpus−per−task=2 −
−mem=180G s i n g u l a r i t y run qmake . s i f bash
22 srun : job 4532697 queued and w a i t i n g f o r r e s o u r c e s
23 srun : job 4532697 has been a l l o c a t e d r e s o u r c e s
24 [ ”$SLURM PROCID” = 0 ] && ./ runme . sh
25 r e a l 6m14.687 s
26 u s e r 590m45.641 s
27 s y s 1m40.930 s
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 23/ 31

24. Introduction Izzivi Pobude Orodja Zaključek Reference
Več izpisov: združevanje lupinskih programov
Listing 3: Primer orodja za obračunavanje na Vega: sacct.
[ a l e s . zamuda@vglogin0002 ˜] $ s a c c t
4531374. ext+ e x t e r n vega−u s e r s 202 COMPLETED 0:0
4531746. ext+ e x t e r n vega−u s e r s 102 COMPLETED 0:0
4532697. ext+ e x t e r n vega−u s e r s 202 COMPLETED 0:0
[ a l e s . zamuda@vglogin0002 ˜] $ s a c c t −j 4531374 −j 4531746 −j 4532697
−o MaxRSS , MaxVMSize , AvePages
MaxRSS MaxVMSize AvePages
−
−
−
−
−
−
−
−
−
− −
−
−
−
−
−
−
−
−
− −
−
−
−
−
−
−
−
−
−
0 217052K 0
26403828K 1264384K 22
0 217052K 0
13325268K 1264380K 0
0 217052K 0
26404356K 1264384K 30
Nadaljnji MODA testi:
I testiranje spletnega vmesnika za analizo delovnih nalog (kot je na voljo pri HPC
RIVR);
I profiliranje komunikacije med vozlišči MPI;
I uporabiti profilirnike in orodja za spremljanje, ki so na voljo
— v kontekstu heterogenih postavitev, kot npr.
I TAU Performance System — http://www.cs.uoregon.edu/research/tau/home.php,
I LIKWID Performance Tools — https://hpc.fau.de/research/tools/likwid/.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 24/ 31

25. Introduction Izzivi Pobude Orodja Zaključek Reference
Več o uporabniškem vidiku HPC iz Slovenije
Več: na Univerzi v Mariboru, bolonjski študijski predmeti za
poučevanje (usposabljanje) v računalništvu po stopnjah:
I stopnja 1 (UN)
I leto 1: Programiranje I – npr. sintaksa C++
I leto 2: Računalniške arhitekture – npr. zbirnik, vmesna/mikro koda
I leto 3: Paralelno in porazdeljeno računanje – npr. OpenMP, MPI, CUDA
I stopnja 2 (MAG)
I leto 1: Postavitev in upravljanje računalniških oblakov – npr. arc, slurm,
Hadoop, vsebniki (docker, singularity) skozi virtualizacijo
I stopnja 3 (DR)
I EU in drugi domači raziskovalni projekti:
HPC RIVR, EuroCC, DAPHNE, ... – npr. skaliranje novih
sistemov RI & Operacijske raziskave ... s pomočjo HPC
I IEEE Computational Intelligence Task Force on Benchmarking
I znanstvene revije (npr. SWEVO, TEVC, JoCS, ASOC, INS)
Te prispevajo k trajnostnemu razvoju HPC.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 25/ 31

26. Introduction Izzivi Pobude Orodja Zaključek Reference
Zaključek
Povzetek: HPC izzivi, pobude in računalniška orodja.
Hvala!
Vprašanja?
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
1 10 100 1000 10000
ROUGE-1R
ROUGE-2R
ROUGE-LR
ROUGE-SU4R
Fitness (scaled)
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 26/ 31

27. Introduction Izzivi Pobude Orodja Zaključek Reference
Biography and References: Organizations
I Associate Professor at University of Maribor, Slovenia
I Continuous research programme funded by Slovenian Research Agency,
P2-0041: Computer Systems, Methodologies, and Intelligent Services
I Associate Editor: Swarm and Evolutionary Computation
I IEEE (Institute of Electrical and Electronics Engineers) senior
I IEEE Computational Intelligence Society (CIS), senior member
I IEEE CIS Task Force on Benchmarking, chair Website link
I IEEE CIS, Slovenia Section Chapter (CH08873), chair
I IEEE Slovenia Section, 2018–2021 vice chair
I IEEE Young Professionals Slovenia, past chair
I ACM SIGEVO (Special Interest Group on Genetic and Evolutionary Computation); EurAI; SLAIS
I Co-operation in Science and Techology (COST) Association Management
Committee, member:
I CA COST Action CA15140: Improving Applicability of Nature-Inspired
Optimisation by Joining Theory and Practice (ImAppNIO), WG3 VC
I ICT COST Action IC1406 High-Performance Modelling and Simulation
for Big Data Applications (cHiPSet); SI-HPC; HPC-RIVR user
I EU H2020 Research and Innovation project, holder for UM part: Integrated
Data Analysis Pipelines for Large-Scale Data Management, HPC, and
Machine Learning (DAPHNE),
https://cordis.europa.eu/project/id/957407
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 27/ 31

28. Introduction Izzivi Pobude Orodja Zaključek Reference
Biography and References: Top Publications
I Aleš Zamuda, Elena Lloret. Optimizing Data-Driven Models for Summarization as Parallel Tasks.
Journal of Computational Science, 2020, vol. 42, pp. 101101. DOI 10.1016/j.jocs.2020.101101.
I A. Zamuda, J. D. Hernández Sosa. Success history applied to expert system for underwater glider path
planning using differential evolution. Expert Systems with Applications, 2019, vol. 119, pp. 155-170.
DOI 10.1016/j.eswa.2018.10.048
I A. Viktorin, R. Senkerik, M. Pluhacek, T. Kadavy, A. Zamuda. Distance Based Parameter Adaptation
for Success-History based Differential Evolution. Swarm and Evolutionary Computation, 2019, vol. 50,
pp. 100462. DOI 10.1016/j.swevo.2018.10.013.
I A. Zamuda, J. Brest. Self-adaptive control parameters’ randomization frequency and propagations in
differential evolution. Swarm and Evolutionary Computation, 2015, vol. 25C, pp. 72-99.
DOI 10.1016/j.swevo.2015.10.007.
I A. Zamuda, J. D. Hernández Sosa, L. Adler. Constrained Differential Evolution Optimization for
Underwater Glider Path Planning in Sub-mesoscale Eddy Sampling. Applied Soft Computing, 2016,
vol. 42, pp. 93-118. DOI 10.1016/j.asoc.2016.01.038.
I A. Zamuda, J. D. Hernández Sosa. Differential Evolution and Underwater Glider Path Planning
Applied to the Short-Term Opportunistic Sampling of Dynamic Mesoscale Ocean Structures.
Applied Soft Computing, vol. 24, November 2014, pp. 95-108. DOI 10.1016/j.asoc.2014.06.048.
I A. Zamuda, J. Brest. Vectorized Procedural Models for Animated Trees Reconstruction using
Differential Evolution. Information Sciences, vol. 278, pp. 1-21, 2014. DOI 10.1016/j.ins.2014.04.037.
I A. Zamuda, J. Brest. Environmental Framework to Visualize Emergent Artificial Forest Ecosystems.
Information Sciences, vol. 220, pp. 522-540, 2013. DOI 10.1016/j.ins.2012.07.031.
I A. Glotić, A. Zamuda. Short-term combined economic and emission hydrothermal optimization by
surrogate differential evolution. Applied Energy, 1 March 2015, vol. 141, pp. 42-56.
DOI 10.1016/j.apenergy.2014.12.020.
I H. Hamann, Y. Khaluf, J. Botev, M. Divband Soorati, E. Ferrante, O. Kosak, J.-M. Montanier, S.
Mostaghim, R. Redpath, J. Timmis, F. Veenstra, M. Wahby and A. Zamuda. Hybrid Societies:
Challenges and Perspectives in the Design of Collective Behavior in Self-organizing Systems.
Frontiers in Robotics and AI, 2016, vol. 3, no. 14. DOI 10.3389/frobt.2016.00014.
I J. Šilc, A. Zamuda. Special Issue on ”Bioinspired Optimization” (guest editors). Informatica - An
International Journal of Computing and Informatics, 2015, vol. 39, no. 2, pp. 1-122.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 28/ 31

29. Introduction Izzivi Pobude Orodja Zaključek Reference
Biography and References: Bound Specific to HPC
PROJECTS:
I DAPHNE: Integrated Data Analysis Pipelines for Large-Scale Data
Management, HPC, and Machine Learning
I ICT COST Action IC1406 High-Performance Modelling and Simulation for Big
Data Applications
I SLING: Slovenian national supercomputing network
I SI-HPC: Slovenian corsortium for High-Performance Computing
I UM HPC-RIVR: Supercomputer at UM, https://www.hpc-rivr.si/
I SmartVillages: Smart digital transformation of villages in the Alpine Space
I Interreg Alpine Space,
https://www.alpine-space.eu/projects/smartvillages/en/home
I Interactive multimedia digital signage (PKP, Adin DS)
EDITOR:
I SWEVO (Top Journal), Associate Editor
I Mathematics-MDPI, Special Issue: Evolutionary Algorithms in Engineering Design Optimization
I Journal of advanced engineering and computation (member of editorial board since 2019). Viet Nam: Ton
Duc Thang University, 2017-. ISSN 2588-123X.
I Cloud Computing and Data Science (Associate Editor, since 2019). Universal Wiser Publisher Pte.Ltd.
I D. Gleich, P. Planinšič, A. Zamuda. 2018 25th International Conference on Systems, Signals and Image
Processing (IWSSIP). IEEE Xplore, Maribor, 20-22 June 2018.
I General Chair: 7-th Joint International Conferences on Swarm, Evolutionary and Memetic Computing
Conference (SEMCCO 2019) & Fuzzy And Neural Computing Conference (FANCCO 2019), Maribor,
Slovenia, EU, 10-12 July 2019; co-editors: Aleš Zamuda, Swagatam Das, Ponnuthurai Nagaratnam
Suganthan, Bijaya Ketan Panigrahi.
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 29/ 31

30. Introduction Izzivi Pobude Orodja Zaključek Reference
Biography and References: More on HPC
RESEARCH PUBLICATIONS:
I Aleš Zamuda, Elena Lloret. Optimizing Data-Driven Models for Summarization as Parallel Tasks.
Journal of Computational Science, 2020, vol. 42, pp. 101101. DOI 10.1016/j.jocs.2020.101101.
I Aleš Zamuda, Vincenzo Crescimanna, Juan C. Burguillo, Joana Matos Dias, Katarzyna Wegrzyn-Wolska,
Imen Rached, Horacio González-Vélez, Roman Senkerik, Claudia Pop, Tudor Cioara, Ioan Salomie, Andrea
Bracciali. Forecasting Cryptocurrency Value by Sentiment Analysis: An HPC-Oriented Survey of the
State-of-the-Art in the Cloud Era. Kolodziej J., González-Vélez H. (eds) High-Performance Modelling and
Simulation for Big Data Applications. Lecture Notes in Computer Science, vol 11400, 2019, pp. 325-349.
DOI 10.1007/978-3-030-16272-6 12.
I Nenad Karolija, Aleš Zamuda. On cloud-supported web-based integrated development environment for
programming dataflow architectures. MILUTINOVIĆ, Veljko (ur.), KOTLAR, Milos (ur.). Exploring the
DataFlow supercomputing paradigm: example algorithms for selected applications, (Computer
communications and networks (Internet), ISSN 2197-8433), 2019, pp. 41-51. DOI
10.1007/978-3-030-13803-5 2.
I Simone Spolaor, Marco Gribaudo, Mauro Iacono, Tomas Kadavy, Zuzana Komı́nková Oplatková, Giancarlo
Mauri, Sabri Pllana, Roman Senkerik, Natalija Stojanovic, Esko Turunen, Adam Viktorin, Salvatore
Vitabile, Aleš Zamuda, Marco S. Nobile. Towards Human Cell Simulation. Kolodziej J., González-Vélez H.
(eds) High-Performance Modelling and Simulation for Big Data Applications. Lecture Notes in
Computer Science, vol 11400, 2019, pp. 221-249. DOI 10.1007/978-3-030-16272-6 8.
I A. Zamuda, J. D. Hernandez Sosa, L. Adler. Improving Constrained Glider Trajectories for Ocean Eddy
Border Sampling within Extended Mission Planning Time. IEEE Congress on Evolutionary Computation
(CEC) 2016, 2016, pp. 1727-1734.
I A. Zamuda. Function evaluations upto 1e+12 and large population sizes assessed in distance-based
success history differential evolution for 100-digit challenge and numerical optimization scenarios
(DISHchain 1e+12): a competition entry for ”100-digit challenge, and four other numerical optimization
competitions” at the genetic and evolutionary computation conference (GECCO) 2019. Proceedings of the
Genetic and Evolutionary Computation Conference Companion (GECCO 2019), 2019, pp. 11-12.
I ... several more experiments for papers run using HPCs.
I ... also, pedagogic materials in Slovenian and English — see Conclusion .
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 30/ 31

31. Introduction Izzivi Pobude Orodja Zaključek Reference
Promo materials: Calls for Papers, Informational Websites
CS FERI WWW
CIS TFoB
CFPs WWW
LinkedIn
Twitter
izr. prof. dr. Aleš Zamuda 7@aleszamuda Superračunalništvo v Mariboru 31/ 31