Consumo Energético y Velocidad en Plataformas CPU-GPU de Algoritmos Paralelos Multi-objetivo para Selección de Características de EEGs

Muchas aplicaciones de minería de datos y aprendizaje automático incluyen tareas con tipos distintos de paralelismo, pudiendo beneficiarse enormemente de plataformas heterogéneas que incluyen microprocesadores con núcleos superescalares y Graphic Processing Units (GPU), y que denominaremos plataformas CPU-GPU. Las mejoras que se pueden conseguir no solo se refieren al tiempo de ejecución de la aplicación, sino también a su consumo energético. En este artículo se propone una implementación maestro-trabajador, en una plataforma CPU-GPU, de un procedimiento evolutivo multi-objetivo con subpoblaciones para la selección de características en problemas de clasificación de electroencefalogramas (EEG) e interfaces cerebro-computador (BCI). El procedimiento distribuye dinámicamente las subpoblaciones entre los núcleos de la CPU y la GPU, aprovechando el paralelismo de datos de la GPU en las subpoblaciones asignadas a ella. Se ha analizado el comportamiento del procedimiento no sólo en cuanto a la velocidad, sino también en relación con su consumo energético, comparándose además con un procedimiento basado en la distribución de individuos.