۱چه خواهد آمد؟ MULTI–CORE ها بعد از CPU آینده
نویسنده(ها):
اطلاعات انتشار: بزرگراه رايانه، سال
تعداد صفحات: ۴

۲و شتاب گرافیک سه بعدی GPU
نویسنده(ها):
اطلاعات انتشار: شبكه، سال
تعداد صفحات: ۴

۳کنترل دمای CPU (محافظت از کارکرد FAN )
نویسنده(ها):
اطلاعات انتشار: دان‍ش‌ و ك‍ام‍پ‍ي‍وت‍ر، سال
تعداد صفحات: ۴

۴تحلیل بازار مادربرد در ایران
نویسنده(ها):
اطلاعات انتشار: دنياي كامپيوتر و ارتباطات، سال
تعداد صفحات: ۵

۵عملکرد پردازنده خود را رایگان افزایش دهید
نویسنده(ها):
اطلاعات انتشار: رايانه، سال
تعداد صفحات: ۱۰

۶تحلیل مجموعه داده های تصویری بزرگ با استفاده از سیستم پیوندی مبتنی بر CPU–GPU
اطلاعات انتشار: همایش ملی مهندسی رایانه و مدیریت فناوری اطلاعات، سال
تعداد صفحات: ۱۲
تجزیه و تحلیل مجموعه داده های تصاویر آسیب شناسی و پاتولوژی با حجم بسیار بزرگ فرصت بسیار گسترده ای برای تحقیقات درزمینه ی ساختار شناسی سلولی فراهم آورده است. اما نیاز به منابع مناسب پردازشی انجام این گونه تحقیقات را در مقیاس کوچکمحدود نموده است . تاکنون سیستم های مختلفی با توان محاسباتی بسیار بالا در زمینه ی تحلیل تصاویر بافت شناسی مربوط به تومورهای مغزی با تفکیک پذیری بالا بر روی سیستم های توزیع شده مبتنی بر CPU–GPU پیاده سازی و آزمایش شده اند. برای دستیابی به توان پردازشی بالا در یک سیستم پیوندی از یک ساختار خط لوله ی چند سطحی پردازش داده استفاده می شود. چنین سیستمی به صورت ساختاری از خط لوله های دانه درشت طراحی شده است که ممکن است هر سطح از چند خط لوله ی ریز دانه بصورت مجزا تشکیل شود. عملیات در سطح ریز دانه دارای زمان بندی دقیق جهت انجام محاسبات روی CPU و GPU با بهینه سازی های زمانی موثر طراحی شده اند. این عملیات شامل جایگذاری های دقیق تر عملیات، تخصیص وظایف آگاه از وابستگی داده ها، واکشی اولیه داده ها و تهیه ی نسخه های ناهمگام از داده ها می باشد. این بهبود ها در بیشینه سازی عملکرد و بهره ی توان محاسباتی و همچنین کمینه سازی سربار تهیه ی نسخه از داده ها استفاده شده است. تجربه های عملی انجام شده در این مقاله نشان می دهد که استفاده ی مشترک و بصورت پیوندی از CPU و GPU مت واند عملکرد بهتری تا حدود 1.6 برابر سیستم هایی که تنها مبتنی بر GPU هستند ، داشته باشد. محاسبات انجام شده با استفاده از پردازش های ریز دانه، فرصت پیاده سازی خط لوله با حمایت در هنگام اجرا را برای تحلیل تصاویر سرطانی با مجموعه داده ای متشکل از 36848 تصویر با کیفیت 4096*4096 پیکسل در کمتر از چهار دقیقه فراهم می آورد.

۷جدال پردازنده ها: راهنمای کامل خرید CPU
نویسنده(ها):
اطلاعات انتشار: بزرگراه رايانه، سال
تعداد صفحات: ۱۱

۸اینتل در 2011 گل کاشت
نویسنده(ها):
اطلاعات انتشار: علم الكترونيك و كامپيوتر، سال
تعداد صفحات: ۵

۹راهنمای انتخاب CPU
نویسنده(ها):
اطلاعات انتشار: ريزپردازنده، سال
تعداد صفحات: ۷

۱۰بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA
اطلاعات انتشار: دومین کنگره سراسری فناوریهای نوین ایران با هدف دستیابی به توسعه پایدار، سال
تعداد صفحات: ۹
الگوریتم ژنتیک ، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس گردیده است و با تقلید از تعدادی از فرایند های مشاهده شده در تکامل طبیعی اختراع شده است و به طور موثری از معرفت قدیمی موجود در یک جمعیت استفاده می کند، تا راه حل های جدید و بهبود یافته را ایجاد کند. تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم های تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. این الگوریتم در مسائل متنوعی نظیر بهینه سازی، شناسایی و کنترل سیستم، پردازش تصویر و مسایل ترکیبی و آموزش شبکه های عصبی مصنوعی و سیستم های مبتنی بر تصمیم و قاعده به کار می رود. پردازش موازی با استفاده از واحدهای پردازش گرافیک (GPU) در سال های اخیر توجه بسیاری را به خود جلب کرده است. محاسبه ی موازی میتواند از نظر فرایندهای موجودیت ها در جمعیت بر روی الگوریتم های ژنتیک (GA) اعمال شود . این مقاله پیاده سازی GA ها را در محیط معماری CUDA شرح میدهد CUDA یک محیط محاسبه ی همه منظوره برای GPU ها است. خصوصیت عمده ی این پژوهش این است که یک GA حالت دائمی مبتنی بر اجرای همروند هسته بر روی GPU پیاده سازی شده است و نتیجه می شود که روش پیاد سازی پیشنهادی 3 تا 6 برابر سریعتر از پیاده سازی مشابه روی CPU است.

۱۱با مغز متفکر بیشتر آشنا شوید!: اصطلاحات و پارامترهای مختلف قلب تپنده کامیپوتر
نویسنده(ها):
اطلاعات انتشار: سخت افزار، سال
تعداد صفحات: ۴

۱۲اخبار
نویسنده(ها):
اطلاعات انتشار: رايانه، سال
تعداد صفحات: ۱۲

۱۳موازی سازی محاسبات به کمک کودا
نویسنده(ها):
اطلاعات انتشار: کنفرانس بین المللی پژوهش های کاربردی در فناوری اطلاعات، کامپیوتر و مخابرات، سال
تعداد صفحات: ۲۱
امروزه یکی از دغدغه های انجام محاسبات سنگین توسط برنامه ها والگوریتم های مختلف، در زمان محاسبات می–باشند.که پیشنهادهای مختلفی در کاهش زمان طی انجام محاسبات ارائه شده است. که بدون شک موازی سازیالگوریتم های محاسباتی بعنوان موفق ترین پیشنهاد در کاهش زمان انجام محاسبات می باشد. یکی از مولفه های مهممحاسبات موازی انجام همزمان محاسبات توسط چندین هسته است . حجم زیاد و پیچیدگی محاسبات، محاسبات توسطپردازنده مرکزی را با چالشهای جدیدی مانند زمان بری مواجه ساخته است و با توجه به حجم محاسبات و اهمیتسرعت الگوریتم در انجام محاسبات، در این مقاله جهت مقایسه نتایج از الگوریتم جمع آرایه ها را به کمک پردازشموازی با معماری قدرتمند Cuda C Nvidia جهت محاسبات موازی استفاده می نماییم. و به بررسی زمان اجرا نتایجمی پردازیم.

۱۴مروری بر تازه های سخت افزار در سپتامبر سال 2000
نویسنده(ها):
اطلاعات انتشار: بزرگراه رايانه، سال
تعداد صفحات: ۶

۱۵چشم انداز میکروپروسسورها در هزاره جدید
نویسنده(ها):
اطلاعات انتشار: بزرگراه رايانه، سال
تعداد صفحات: ۶

۱۶چگونه کامپیوتر بخریم
نویسنده(ها):
اطلاعات انتشار: دان‍ش‌ و ك‍ام‍پ‍ي‍وت‍ر، سال
تعداد صفحات: ۱۲

۱۷حافظه های Racetrack
نویسنده(ها):
اطلاعات انتشار: رايانه، سال
تعداد صفحات: ۵

۱۸Abilities of Modern Graphics Adapters for Optimizing Parallel Computing
اطلاعات انتشار: World Applied Sciences Journal، بيست و سوم،شماره۵، ۲۰۱۳، سال
تعداد صفحات: ۶
The subject of the research is the abilities for optimization with using modern graphics units. The purpose of the paper is to test basic abilities for optimization with using modern graphics units. Different technologies of GPU programming were discussed in the paper. The results of performing the simplest basic and complex functional operations are presented. Advantages and disadvantages of modern GPUs are described. The questions of optimization become the key in determining and implementing modern technical and economical processes. Usually creating and developing new scientific technologies generates the range of optimization tasks. And the successful solution of such tasks is able to significantly increase the effectiveness of these technologies. All the modern optimization methods and algorithms are required to be adapted for the specifics of implementing processes in spite of the high level of formalization and unification. For instance, the most important task in IT (Information Technology) industry is development high–performance technologies, based on designing parallel algorithms and creating parallel program structures. Even today the most widely used computing device is CPU (Central Processing Unit), although the faster tools exist and they have in many times higher performance comparatively with CPU. One of such perspective high–performance technologies is implemented based on graphics processors GPU (Graphics Processing Unit). All the modern graphics cards are the potent specialized devices that are contained in practically each modern PC. The leading companies on a GPU market are NVidia and AMD (Advanced Micro Devices) Corporations with their GeForceand Radeon lines respectively. At the last time Intel Corporation develops CPUs that contain both CPU cores and GPU module. Today it is implemented in the architectures Sandy Bridge, Sandy Bridge–E and Ivy Bridge [1]. The performance capabilities of GPU impress but it is necessary to be able to use them effectively. Only the optimization way allows making a breakthrough which will make it able to bring high performance technologies and technologies of processing data a new level.

۱۹چگونه پردازنده بخریم
نویسنده(ها):
اطلاعات انتشار: ريزپردازنده، سال
تعداد صفحات: ۴
نمایش نتایج ۱ تا ۱۹ از میان ۱۹ نتیجه