Selección Multi-objetivo de Caracterı́sticas para Clasificación de EEGs con Paralelismo Multi-nivel en Clusters CPU-GPU

La tendencia actual en el desarrollo de arquitecturas de computadores que ofrecen mejoras tanto en rendimiento como en eficiencia energética ha derivado en clusters con microprocesadores de múltiples núcleos y aceleradores. En estos computadores heterogéneos, las aplicaciones pueden aprovechar diferentes niveles de paralelismo según sus características. Por lo tanto, las aplicaciones deben programarse adecuadamente para alcanzar buenas eficiencias, no sólo con respecto a su tiempo de cómputo sino también teniendo en cuenta los problemas relacionados con el consumo energético. En este artículo se propone un algoritmo evolutivo multi-objetivo para selección de características en la clasificación de electroencefalogramas (EEG), que explota el paralelismo a distintos niveles: entre los nodos CPU-GPU interconectados en el cluster (mediante el envı́o de mensajes) y dentro de estos nodos (mediante el paralelismo a nivel de hebra de memoria compartida en los núcleos de CPU, y paralelismo a nivel de datos y hebras en la GPU). El procedimiento ha sido evaluado experimentalmente en rendimiento y consumo energético, mostrando beneficios estadísticamente significativos para la selección de características: ganancias de hasta 73 requiriendo sólo un 6% de la energía consumida por el código secuencial.