Problemas computacionales
Existen muchas maneras para describir los problemas computacionales. A continuación presentamos algunos de ellos que son de hecho importantes para la tecnología grid:
Cálculos paralelos: Los cálculos paralelos pueden ser divididos en muchos sub-cálculos. Esto significa que cada sub-cálculo puede trabajarse en un procesador distinto, de modo tal que muchos sub-cálculos puedan ser trabajados “en paralelo”. Esto te permite acelerar tus cómputos.
Cálculos embarazosamente paralelos: Un cálculo paralelo es embarazoso cuando cada sub-cálculo es independiente de todos los otros cálculos. Por ejemplo, analizar un gran banco de datos de imágenes médicas es embarazosamente paralelo, pues cada imagen es independiente de las otras.
Cálculos brutos: Los cálculos brutos suelen ser embarazosamente paralelos. Las “Simulaciones Monte Carlo”, donde varías los parámetros en un modelo y luego estudias los resultados, son también cálculos brutos.
Cálculos finos: En un cálculo fino, cada sub-cálculo es dependiente del resultado de otro sub-cálculo. Por ejemplo, cuando se calcula el clima cada cálculo en un volumen de la atmósfera es afectado por los otros volúmenes. Los cálculos finos paralelos requieren de una programación muy inteligente, para obtener el máximo del paralelismo, y permitir que la información correcta esté disponible para los procesadores en el tiempo preciso.
Alto rendimiento versus alto procesamiento:
Los cálculos finos se ajustan mejor a la computación de alto rendimiento, que usualmente involucra supercomputadores grandes y monolíticos, o herméticos clusters computacionales con muchos procesadores idénticos y extremadamente rápidos, conectados mediante una red fiable establecida entre los procesadores.
Los cálculos complejos paralelos son ideales para la computación de alto procesamiento: con redes de computadores menos cerradas, donde los retardos en la obtención de resultados de un procesador no afectará el trabajo de los otros.
¿Y la computación grid..?
En ciencia, muchos problemas interesantes, requieren de una combinación de cálculos brutos y cálculos finos, y es aquí donde la computación grid es particularmente poderosa:
Por ejemplo, en el caso de complejos modelamientos climáticos, los investigadores lanzan muchos cálculos similares para ver cómo distintos parámetros pueden afectar sus modelos. Cada uno de esos cálculos es un cálculo paralelo fino que requiere ser corrido en un único cluster o supercomputador. Utilizando la grid, estos múltiples cálculos independientes pueden ser distribuidos a través de muchos clusters grid distintos, esto, agregando paralelismo bruto y ahorrando muchísimo tiempo.
