Parallel Computing

Julia unterstützt diese vier Kategorien der nebenläufigen und parallelen Programmierung:

1. Asynchrone "Aufgaben", oder Koroutinen:

   Julia-Aufgaben ermöglichen das Aussetzen und Fortsetzen von Berechnungen für I/O, Ereignisbehandlung, Produzenten-Verbraucher-Prozesse und ähnliche Muster. Aufgaben können durch Operationen wie wait und fetch synchronisiert werden und über Channels kommunizieren. Während sie streng genommen keine parallele Berechnung für sich sind, ermöglicht Julia das Planen von Tasks auf mehreren Threads.

2. Multithreading:

   Julias multi-threading bietet die Möglichkeit, Aufgaben gleichzeitig auf mehr als einem Thread oder CPU-Kern zu planen und dabei den Speicher zu teilen. Dies ist in der Regel der einfachste Weg, um Parallelität auf einem PC oder auf einem einzelnen großen Multi-Core-Server zu erreichen. Julias Multi-Threading ist komponierbar. Wenn eine multi-threaded Funktion eine andere multi-threaded Funktion aufruft, wird Julia alle Threads global auf verfügbaren Ressourcen planen, ohne eine Überbuchung vorzunehmen.

3. Verteiltes Rechnen:

   Verteiltes Rechnen führt mehrere Julia-Prozesse mit separaten Speicherbereichen aus. Diese können auf demselben Computer oder auf mehreren Computern sein. Die Distributed Standardbibliothek bietet die Möglichkeit zur Remote-Ausführung einer Julia-Funktion. Mit diesem grundlegenden Baustein ist es möglich, viele verschiedene Arten von Abstraktionen für verteiltes Rechnen zu erstellen. Pakete wie DistributedArrays.jl sind ein Beispiel für eine solche Abstraktion. Auf der anderen Seite bieten Pakete wie MPI.jl und Elemental.jl Zugang zum bestehenden MPI-Ökosystem von Bibliotheken.

4. GPU-Computing:

   Der Julia-GPU-Compiler bietet die Möglichkeit, Julia-Code nativ auf GPUs auszuführen. Es gibt ein reichhaltiges Ökosystem von Julia-Paketen, die auf GPUs abzielen. Die JuliaGPU.org-Website bietet eine Liste von Funktionen, unterstützten GPUs, verwandten Paketen und Dokumentationen.