ARRAYFIRE
OLEH :
PUTU AYU INDIRA SAVITRI
SHEILA NUR FADHILA
I MADE YUDA SURYANATA
OKKY STEVIANO SUDARO
(1107114099)
(1107110092)
(1107110077)
(1107110082)
dengan
meningkatnya
kinerja
dari
GPU
libraryuntuk mempercepat kinerja GPU, salah satunya adalah ArrayFire. ArrayFire merupakan library
yang dikembangkan oleh perusahan AccelerEyes.
Library ArrayFire adalah library GPU yang berbasis array, dimana hal ini menjadikan pemrogram
pada GPU menjadi lebih sederhana. Dengan fungsi-fungsi yang dimiliki oleh library ini, lusinan baris
code pada GPU normal/raw dapat digantikan, sehingga lebih menghemat waktu dan biaya yang
digunakan.
ArrayFire dapat digunakan pada OS Windows, Linux dan Mac OSX dan support terhadap CUDA
dan OpenCL. Selain itu, library ini dapat diimplementasikan untuk memecahkan masalah pada banyak
bidang, seperti finansial, teknik, medis dan perminyakan. Hal ini dikarenakan ArrayFire memiliki ratusan
fungsi untuk mengolah fungsi matriks, signal processing, aljabar linear, statistik, image processing, dan
lain-lain.
Fitur-fitur pada ArrayFire :
Berikut ini merupakan fitur-fitur yang tersedia pada library ArrayFire. Antara lain :
-ArrayFire telah dioptimasi untuk semua GPU yang menggunakan CUDA.
-Support terhadap bahasa pemrograman C, C++, dan Fortran.
-Support terhadap manipulasi vektor, matriks, dan N-dimensional array.
-Memiliki notasi array yang sederhana, sehingga mudah dipahami
-Dapat mengeksekusi banyak loop iteration secara paralel
Implementasi ArrayFire pada Manufacturing
ArrayFire dapat di aplikasikan pada berbagai bidang diantaranya adalah pada bidang Manufacturing :
Salah satu implementasi ArrayFire adalah Fitur Learning pada Gambar ,dengan Author : Andrew
Ng,Standford University. Dia adalah Seorang Profesor Computer Science di Standfort.Pada tahun 2011
dia memimpin pengembangan MOCC di Standford University,Pengajar Machine Learning,dan
mendirikan proyek yang bernama Google Braindengan mengembangkan algoritma pembelajaran dalam
skala yang cukup besar. Salah satu proyek Andrew Ng di bidang manufacturing khususnya
Fitur
Learning gambar diantaranya adalah Konversi Gambar dalam posisi diam yang diubah ke dalam model
3D ( dibutuhkan gambar 2D untuk menciptakan gambar 3D fly aroundmodel) karena tujuannya adalah
membuat gambar 3D lebih baik secara kuantitatif,akurasi dan Visual nya. Pada proses ini menggunakan
Teknik Machine learning dalam mengerjakan struktur 3D. Algoritma yang digunakan adalah Isyarat
Visual yang memudahkan manusia dalam memperkirakan Aspek 3D pada gambar tersebut,dengan
memecah beberapa patch yang kecil dan untuk setiap patch dalam gambar tersebut menggunakan MRF
(Markov Random Field)
Photograph/Single Image
kepada trader) dengan Matlab dan C/C++. Pada demonstrasi ini digunakan algoritma Monte Carlo.
Stockpath A merupakan perhitungan harga opsi tanpa menggunakan opsi barrier dan stockpath B adalah
perhitungan harga opsi menggunakan opsi barrier.
Dari demonstrasi diatas, diketahui untuk stockpath A, kecepatan ArrayFire mencapai 51.8 dan
stockpath B mencapai 47.5 pada CPU dengan menggunakan MATLAB.
Implementasi ArrayFire Pada NASA
Untuk NASA, penggunaan ArrayFire didorong oleh kebutuhan untuk meningkatkan kompresi
citra yang diperoleh dari Mars rover via GPU dan Genetic Algorithm. Dan terbukti, dengan
menggabungkan GPU dan ArrayFire para peneliti mampu memperoleh hasil dengan kecepatan 5x lebih
cepat pada data dengan ukuran yang lebih besar.
ImplementasiArrayFirepadaRekonstruksi Hologram 3D
Pengaplikasian arrayfire di dunia nyata kita dapat temukan pada pembuatan proyek hologram
digital 3D yang dilakukan oleh Maynooth National University of Ireland. Dijelaskan, dengan
menggunakan arrayfire membantu rekonstruksi dari gambar hologram 3D itu menjadi lebih cepat hingga
17x lipat.
Rekonstruksi suatu hologram 3D memerlukan proses komputasi yang sangat panjang jika
dilakukan dalam suatu CPU, namun berbeda jika dilakukan dalam suatu GPU yang memakai library
arrayfire.
Diagram diatas menunjukan dengan menggunakan GPU yang telah menggunakan arrayfire dapat
merekonstruksi hologram lebih cepat. Peningkatan kecepatan rekonstruksi lebih terlihat pada saat ukuran
hologram yang lebih besar, dimana lebih memerlukan proses komputasi yang lebih kompleks dari ukuran
yang lebih kecil.
Refrensi :
https://developer.nvidia.com/arrayfire
http://www.accelereyes.com/arrayfire/c
http://arrayfire.com
http://make3d.cs.cornell.edu
http://arrayfire.com/option-pricing
http://mars.jpl.nasa.gov/mer/technology/bb_software_engineering.html
http://devblogs.nvidia.com/parallelforall/do-more-code-less-arrayfire-gpu-matrixlibrary
http://blog.accelereyes.com/blog/2011/04/30/digital-holograms-faster-than-ever