Resumen

Las aberraciones introducidas por la turbulencia atmosférica en telescopios grandes se compensan utilizando sistemas de óptica adaptativa, donde el uso de espejos deformables y múltiples sensores se basa en sistemas de control complejos. Recientemente, el desarrollo de telescopios de mayor escala como el E-ELT o TMT ha creado un desafío computacional debido a la creciente complejidad de los nuevos sistemas de óptica adaptativa. El Reconstructor Atmosférico Complejo basado en Aprendizaje Automático (CARMEN) es un algoritmo basado en redes neuronales artificiales, diseñado para compensar la turbulencia atmosférica. Durante los últimos años, se ha demostrado que el uso de GPUs es una gran solución para acelerar el proceso de aprendizaje de redes neuronales, y se han creado diferentes marcos de trabajo para facilitar su desarrollo. La implementación de CARMEN en diferentes marcos de trabajo Multi-GPU se presenta en este artículo, junto con su desarrollo en un lenguaje originalmente desarrollado para GPU, como CUDA. Esta implementación

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Turbulencia atmosférica; Sistemas de óptica adaptativa; Espejos deformables; Sistemas de control complejos; Algoritmo CARMEN; GPUs
• Keywords:Atmospheric turbulence; Adaptive optics systems; Deformable mirrors; Complex control systems; CARMEN algorithm; GPUs