We present a highly parallel implementation of the cross-correlation of time-series data using graphics processing units (GPUs), which is scalable to hundreds of independent inputs and suitable for the processing of signals from "Large-N" arrays of many radio antennas. The computational part of the algorithm, the X-engine, is implementated efficiently on Nvidia's Fermi architecture, sustaining up to 79% of the peak single precision floating-point throughput. We compare performance obtained for hardware- and software-managed caches, observing significantly better performance for the latter. The high performance reported involves use of a multi-level data tiling strategy in memory and use of a pipelined algorithm with simultaneous computation and transfer of data from host to device memory. The speed of code development, flexibility, and low cost of the GPU implementations compared to ASIC and FPGA implementations have the potential to greatly shorten the cycle of correlator development and deployment, for cases where some power consumption penalty can be tolerated.
Evaluating virtual hosted desktops for graphics-intensive astronomy
数据可视化对于理解天文现象至关重要。今天，许多仪器产生的数据集太大，无法下载到本地计算机，但天文学家使用的许多可视化工具只能部署在台式计算机上。云计算越来越多地用于提供天文学中的计算和模拟平台，但它也提供了作为可视化平台的巨大潜力。具有图形处理单元（GPU）加速功能的虚拟托管桌面允许交互式图形密集型桌面应用程序与存储在远程数据中心的天文数据集协同运行。通过结合基准测试和用户体验测试，与20名天文学家的队列，我们调查的可行性取代物理桌面计算机与虚拟托管桌面。在我们的工作中，我们比较了两台Apple MacBook计算机（一台旧的和一台新的，代表硬件和使用寿命的两端）与两个虚拟托管桌面：一个商业（亚马逊网络服务）和一个私人研究云（澳大利亚Nectar Research Cloud）。对于基于二维图像的任务和图形密集型三维操作-典型的天文可视化工作流程-我们发现基准不一定提供最佳性能指标。与典型的笔记本电脑相比，虚拟托管桌面可以提供更好的用户体验，即使使用性能较低的显卡。我们还发现，虚拟托管桌面同样易于使用，在选择配置方面提供了更大的灵活性，并且实际上可能是典型使用配置文件的更具成本效益的选项。
Accelerating radio astronomy imaging with RICK: a step towards SKA-Mid and SKA-Low
INAF-Osservatorio astronomico di Brera（意大利国家天体物理研究所布雷拉天文台）；ICSC – Centro Nazionale di Ricerca in High Performance Computing, Big Data e Quantum Computing（高性能计算、大数据与量子计算国家研究中心）；Dipartimento di Fisica e Astronomia, Università di Bologna（博洛尼亚大学物理与天文学系）；Istituto di Radioastronomia, INAF（意大利国家天体物理研究所射电天文研究所）；INAF-Osservatorio Astronomico di Trieste（意大利国家天体物理研究所的里雅斯特天文台）
RICK 2.0 利用 HeFFTe 库实现高效分布式快速傅里叶变换，提升射电成像性能，适用于 SKA-Mid 和 SKA-Low 项目。
Deep Learning for Energy Estimation and Particle Identification in Gamma-ray Astronomy
Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Skobeltsyn Institute of Nuclear Physics（斯科别利岑核物理研究所）；Institute of Applied Physics of Irkutsk State University（伊尔库茨克国立大学应用物理研究所）；Irkutsk National Research Technical University（伊尔库茨克国家研究型技术大学）
深度学习技术，即卷积神经网络（CNN），以前已经被用于在TAIGA实验中选择伽马射线事件，与传统的Hillas方法相比，已经实现了良好的选择质量。利用CNN还解决了TAIGA数据分析的另一个重要任务：与传统的基于Hillas分析的方法相比，伽马射线能量估计显示出一定的改进。此外，我们的软件完全针对图形处理单元（GPU）进行了重新开发，从而大大加快了这两项任务的计算速度。所有的结果都是用TAIGA Monte Carlo软件的模拟数据得到的，它们的实验验证预计在不久的将来。
非相干解色散是脉冲星和瞬变天文学中经常出现的计算密集型问题。对于当前和未来的瞬态流水线，去色散可以支配总执行时间，这意味着其计算速度对科学结果的质量和数量起着约束作用。因此，关键是算法能够利用商品计算硬件的趋势。考虑到这一目标，我们提出了分析的“直接”，“树”和“子带”去色散算法的潜力，有效地执行现代图形处理单元（GPU）。我们发现这三个都是优秀的候选者，并继续使用从分析中获得的洞察力来描述C for CUDA的实现。使用最新的CPU和GPU硬件，与优化的四核CPU代码相比，向GPU的过渡为直接算法提供了9倍的速度提升。对于现实的最新勘测参数，这些速度足够高，不需要进一步优化来实现实时处理。在需要进一步加速的情况下，我们发现树和子带算法能够以一定的拖尾、内存消耗和开发时间权衡为代价提供3- 7倍的更好性能。最后，我们讨论了这些结果对未来瞬态调查的影响。我们的GPU去色散代码以C库的形式公开提供，网址为：http://dedisp.googlecode.com/
Accelerating cosmological simulations on GPUs: a portable approach using OpenMP
Università di Trieste（的里雅斯特大学）；INAF-Osservatorio Astronomico di Trieste（意大利国家天体物理研究所的里雅斯特天文台）；ICSC – Centro Nazionale di Ricerca in High Performance Computing, Big Data e Quantum Computing（高性能计算、大数据与量子计算国家研究中心）；IFPU – Institute for Fundamental Physics of the Universe（宇宙基础物理研究所）；INAF-Osservatorio astronomico di Brera（意大利国家天体物理研究所布雷拉天文台）
