{"id":4712,"date":"2020-04-09T19:32:10","date_gmt":"2020-04-09T19:32:10","guid":{"rendered":"https:\/\/geoinnova.cl\/?p=4712"},"modified":"2020-05-26T14:22:27","modified_gmt":"2020-05-26T14:22:27","slug":"gpu-and-cloud-on-geoinnova","status":"publish","type":"post","link":"https:\/\/geoinnova.cl\/en\/gpu-and-cloud-on-geoinnova\/","title":{"rendered":"Incorporating GPU Technology and Cloud Computing in GeoInnova"},"content":{"rendered":"

Una parte importante de las Ciencias de la Computaci\u00f3n se relaciona con los algoritmos: su creaci\u00f3n, implementaci\u00f3n y optimizaci\u00f3n. \u00c9stos pueden ir desde un proceso netamente humano como hacer una compra, hasta un proceso matem\u00e1tico para detecci\u00f3n o diagn\u00f3stico de enfermedades automatizado.<\/p>\n

Sea cual sea el origen, todos ellos incluyen la obtenci\u00f3n de datos, el procesamiento de ellos, y la generaci\u00f3n de resultados como consecuencia del proceso. A esto se le llama Algoritmo.<\/p>\n

En la industria minera, los modelos predictivos espaciales y sus algoritmos asociados son parte integral del desarrollo de proyectos mineros y ciclo de producci\u00f3n, por medio de la caracterizaci\u00f3n de recursos geol\u00f3gicos, variables geometal\u00fargicas y cuantificaci\u00f3n de la incertidumbre asociada para uso en planificaci\u00f3n minera y valorizaci\u00f3n econ\u00f3mica.<\/p>\n

En GeoInnova creemos que el futuro de la caracterizaci\u00f3n espacial de variables geo-minera-metal\u00fargica, ser\u00e1 un procesamiento en l\u00ednea con adici\u00f3n de nueva informaci\u00f3n de distinta naturaleza y temporalidad, tales como an\u00e1lisis qu\u00edmicos en DH y BH, test metal\u00fargicos, im\u00e1genes, espectros, mapeos, para luego generar modelos espaciales y procesos de toma de decisi\u00f3n.<\/p>\n

En este contexto, la optimizaci\u00f3n y el desarrollo de algoritmos que permitan avanzar en esta direcci\u00f3n es clave, por lo cual estamos trabajando en ello enfoc\u00e1ndonos en entregar a nuestros clientes resultados m\u00e1s precisos y flexibles con tiempos de ejecuci\u00f3n bajos.<\/p>\n

C\u00f3mputo en Paralelo: Breve Introducci\u00f3n<\/h3>\n

Si bien el coraz\u00f3n de la optimizaci\u00f3n de algoritmos consiste en utilizar estructuras de datos, m\u00e9todos de b\u00fasqueda, de orden o de c\u00e1lculo que sean \u00f3ptimos para el problema que se quiere abordar, la posibilidad de realizar c\u00f3mputo en paralelo reduce los tiempos de ejecuci\u00f3n de modo importante y a\u00fan m\u00e1s si un algoritmo es \u00f3ptimo.<\/p>\n

El c\u00f3mputo en paralelo es la t\u00e9cnica que permite a varios procesos de un mismo programa ejecutarse simult\u00e1neamente aprovechando la disponibilidad de hilos de ejecuci\u00f3n que poseen los procesadores (CPU). Esta capacidad de las unidades de procesamiento central se vio aumentada cuando comenzaron a fabricarse y comercializarse procesadores multi-n\u00facleo, que permit\u00edan tener a\u00fan m\u00e1s hilos de procesamiento disponibles que los procesadores de un s\u00f3lo n\u00facleo.<\/p>\n

Posteriormente, comenzaron a fabricarse unidades de procesamiento gr\u00e1fico (GPU) multi-n\u00facleo con capacidad de procesar no s\u00f3lo video e im\u00e1genes, sino tambi\u00e9n grandes vol\u00famenes de datos superando incluso a las unidades de procesamiento central (CPU).<\/p>\n

En GeoInnova estamos al tanto de las capacidades de las GPU\u2019s, el potencial que tienen para realizar c\u00e1lculos y lo bien que se pueden ajustar a algoritmos geoestad\u00edsticos.<\/p>\n

C\u00f3mputo en Paralelo: Los primeros pasos en GNV<\/h3>\n

Para GeoInnova el paralelismo no es nada nuevo. Desde el 2015 hemos realizado esfuerzos buscando las mejores herramientas tecnol\u00f3gicas disponibles para poder llevar a cabo la implementaci\u00f3n de algoritmos paralelizados.<\/p>\n

Como primer paso se seleccion\u00f3 el framework CUDA de NVIDIA, por su potencial en esos a\u00f1os y, a modo de algoritmo de prueba, el c\u00e1lculo experimental del variograma, el cual pese a su simplicidad es intensivo en c\u00f3mputo debido a la cantidad de datos y variables. Esto \u00faltimo puede ser prohibitivo en escenarios de datos de pozos de tronadura, im\u00e1genes, im\u00e1genes Hiperespectrales y espectros.<\/p>\n

Del primer aprendizaje de paralelizaci\u00f3n de la implementaci\u00f3n del variograma en GPU con CUDA se rescat\u00f3 que, si bien el paralelismo es una buena herramienta para reducir tiempos de ejecuci\u00f3n, el framework CUDA no es lo suficientemente flexible para abordar todas las problem\u00e1ticas que surgir\u00edan en c\u00e1lculos m\u00e1s complejos, as\u00ed como tambi\u00e9n en la dificultad para generar c\u00f3digo, adem\u00e1s que este framework es exclusivo de NVIDIA [Pola et al, 2017].<\/p>\n

Como resultado de esta primera aproximaci\u00f3n se adopt\u00f3 el framework OpenCL para implementar algoritmos paralelizados, ya que a diferencia de CUDA, se puede implementar sobre cualquier dispositivo de procesamiento de datos, sea CPU o GPU, y de los principales fabricantes de estos dispositivos: Intel, AMD y NVIDIA.<\/p>\n

C\u00f3mputo en Paralelo: El desaf\u00edo de la predicci\u00f3n espacial<\/h3>\n

Luego de los aprendizajes previos, el desaf\u00edo fue generar implementaciones de los algoritmos de predicci\u00f3n espacial Kriging<\/strong> y Co-Kriging<\/strong>, que requieren una gran potencia de c\u00e1lculo y que nos propusimos optimizar e implementar utilizando el c\u00f3mputo en paralelo sobre GPU utilizando\u00a0C++\u00a0<\/strong>y\u00a0OpenCL<\/strong><\/a>.<\/p>\n

Para evitar construir una implementaci\u00f3n de laboratorio, parte del desaf\u00edo fue generar implementaciones utilizables bajo las pr\u00e1cticas actuales de la industria minera tales como planes de kriging flexibles en t\u00e9rminos de restricci\u00f3n de datos, valores extremos y uso de orientaci\u00f3n, anisotrop\u00eda variable en b\u00fasqueda de datos y variograma.<\/p>\n

Kriging y Co-Kriging: CoEstim<\/h3>\n

El primer paso para implementar estos algoritmos sobre GPU es optimizarlos lo m\u00e1s posible antes de llegar a ese punto. El algoritmo base lo obtuvimos desde KT3D y de COKB3D GSLIB [Deutsch et al, 1992], adapt\u00e1ndolo para el caso multivariable (>10) y manejo de datos heterot\u00f3picos. La adaptaci\u00f3n\/ traducci\u00f3n fue realizada desde Fortran a C++. Luego, optimizamos cada una de sus partes hasta llegar a un punto donde no pod\u00edamos obtener los mismos resultados con un menor tiempo de ejecuci\u00f3n.<\/p>\n

\"\"
Planta de Resultados de Ejecuciones de CoEstim, KT3D y Otro Software Comercial<\/figcaption><\/figure>\n
\"\"
Scatter Plot de Resultados de CoEstim vs KT3D vs Otro Software Comercial<\/figcaption><\/figure>\n

Al paralelizar el algoritmo, se revisit\u00f3 el algoritmo para definir qu\u00e9 partes de \u00e9ste ser\u00edan paralelizadas y aplicamos dos criterios: el proceso m\u00e1s lento y la independencia entre c\u00e1lculos. Este \u00faltimo criterio es debido a que, para evitar cuellos de botella en el paralelismo, todos los hilos de ejecuci\u00f3n deben estar independientes entre ellos para as\u00ed aprovechar al m\u00e1ximo la capacidad de procesamiento. As\u00ed concluimos que los procesos a paralelizar ser\u00edan: la b\u00fasqueda de vecinos, el c\u00e1lculo de la matriz de covarianza y su reducci\u00f3n para cada punto a estimar.<\/p>\n

Luego de la definici\u00f3n de los procesos a ejecutar y su dise\u00f1o, se procedi\u00f3 a implementar los subprogramas necesarios para utilizar sobre la GPU. Al obtener versiones estables procedimos a comparar tiempos de ejecuci\u00f3n, y los resultados fueron sorprendentes. A continuaci\u00f3n, presentamos los tiempos de ejecuci\u00f3n de CoEstim y otros dos softwares comerciales.<\/p>\n

\"\"<\/p>\n

Simulaci\u00f3n de variables continuas: CoSim<\/h3>\n

El segundo desaf\u00edo corresponde a modelos estoc\u00e1sticos espaciales de variables continuas tales como leyes de cobre, contaminantes y variables geo-metal\u00fargicas. Los algoritmos asociados a estos son m\u00e1s demandantes en c\u00f3mputo y en manejo de grandes cantidades de informaci\u00f3n que los algoritmos antes presentados.<\/p>\n

El primer paso fue la evaluaci\u00f3n de selecci\u00f3n del marco del modelo y algoritmo. Seleccionamos el marco multigaussiano por su penetraci\u00f3n en la industria y adecuaci\u00f3n a la gran mayor\u00eda de los dep\u00f3sitos y variables con que nos enfrentamos d\u00eda a d\u00eda.<\/p>\n

Como algoritmo de simulaci\u00f3n se evalu\u00f3 el algoritmo SGSIM de simulaci\u00f3n secuencial gaussiana disponible como c\u00f3digo fuente en la GSLIB [Deutsch et al, 1992] en Fortran como primera opci\u00f3n, pero terminamos escogiendo el algoritmo de simulaci\u00f3n TBCOSIM disponible en Matlab en la publicaci\u00f3n del 2008 del profesor Xavier Emery de la Universidad de Chile [Emery et al, 2008].<\/p>\n

La raz\u00f3n de la selecci\u00f3n del algoritmo de bandas rotantes es la flexibilidad que presenta en el caso multivariable y el potencial de paralelizaci\u00f3n al utilizar el m\u00e9todo de bandas rotantes para generar los valores simulados no condicionales y co-kriging para condicionamiento por el m\u00e9todo de substituci\u00f3n de los residuos, permiti\u00e9ndonos reutilizar la implementaci\u00f3n CoEstim previamente desarrollada.<\/p>\n

Una vez optimizado el algoritmo y generada la versi\u00f3n paralelizada en GPU, lo bautizamos como CoSim.<\/p>\n

Si bien los resultados eran interesantes en casos de peque\u00f1a-mediana escala, con grandes vol\u00famenes de nodos a simular la capacidad de memoria de las GPU de las m\u00e1quinas locales no era suficiente. Debido al volumen de memoria requerida y volumen de informaci\u00f3n generada, nos vimos en la necesidad de movernos a una soluci\u00f3n de c\u00f3mputo distribuido, en un principio en un cl\u00faster de computadores local y luego con distribuci\u00f3n en la nube.<\/p>\n

\u00a1\u00a1No es suficiente!!: Sistemas Distribuidos<\/h3>\n

Una vez obtenido un programa base paralelizado sobre GPU nos pusimos m\u00e1s ambiciosos a\u00fan y quisimos ir m\u00e1s lejos.<\/p>\n

\u00bfDe qu\u00e9 otra manera podemos reducir a\u00fan m\u00e1s el tiempo de ejecuci\u00f3n?<\/p>\n

En el mundo de la computaci\u00f3n el dicho \u201cdivide y vencer\u00e1s\u201d se utiliza mucho, sobre todo al momento de resolver problemas. Este se refiere a que un proceso complejo se puede ir dividiendo en subprocesos menos complejos y m\u00e1s abordables que el proceso original, y que la suma de estas partes dan el resultado esperado. Tambi\u00e9n se aplica cuando m\u00faltiples m\u00e1quinas realizan el mismo proceso y un problema se divide en partes iguales, una para cada m\u00e1quina, llegando a un resultado en un menor costo de tiempo.<\/p>\n

En los Sistemas Distribuidos se aplica esta premisa para diferentes fines: dividir un proceso en diferentes m\u00e1quinas, cada una de ellas especializada en su tarea; generar sistemas de respaldos de datos con alta redundancia; generar sistemas de archivos compartidos editables por m\u00faltiples usuarios; para acelerar un proceso, entre otros. Para nuestro problema implementamos un sistema distribuido para bajar el tiempo de ejecuci\u00f3n de tareas muy costosas, una de ellas es la\u00a0Simulaci\u00f3n de variables continuas<\/strong>.<\/p>\n

Una vez generado el cl\u00faster, insertamos CoSim en ellos, y programamos el servidor para que hiciera la divisi\u00f3n del trabajo. Las m\u00e1quinas utilizadas fueron computadores que estaban disponibles en las oficinas de GeoInnova. El resultado inicial fue un poco desalentador: Si bien nos permiti\u00f3 manejar grandes vol\u00famenes de datos, las m\u00e1quinas eran muy dispares en cuanto a potencia, unas demoraban demasiado y otras muy poco. La puesta en marcha era compleja y el tiempo de ejecuci\u00f3n no baj\u00f3 al nivel que esper\u00e1bamos.<\/p>\n

\u00bfC\u00f3mo generar una cantidad de m\u00e1quinas de iguales cualidades? Respuesta: M\u00e1quinas Virtuales. Pero \u00bfde d\u00f3nde sacamos tanta potencia y cantidad? Respuesta:\u00a0Google Cloud Compute Engine<\/strong>.<\/a><\/p>\n

Distribuci\u00f3n en la Nube<\/h3>\n

Para resolver el problema de homogenizar las m\u00e1quinas donde se ejecuta CoSim recurrimos a la plataforma Compute Engine de Google Cloud. Esta plataforma nos permite generar m\u00e1quinas virtuales donde podemos elegir sus caracter\u00edsticas de muchas de las opciones que se ofrecen, adem\u00e1s de contar con GPU disponible para ellas.<\/p>\n

Trasladamos nuestro cl\u00faster a Compute Engine, donde utilizamos ocho m\u00e1quinas virtuales como ejecutores y una como servidor. De esta manera obtuvimos los resultados que esper\u00e1bamos, y m\u00e1s. Los tiempos de ejecuci\u00f3n a continuaci\u00f3n:<\/p>\n

\"\"<\/p>\n

Al comparar la implementaci\u00f3n Cosim-Local vs Cosim-Cloud nos dieron tiempos de ejecuci\u00f3n hasta 10 veces menores en la versi\u00f3n Cloud, esto debido a la homogenizaci\u00f3n de las m\u00e1quinas y que ellas ten\u00edan una GPU de gran potencia. Al comparar con el software comercial la bajada de tiempo es mucho m\u00e1s notoria para ambas versiones de CoSim.<\/p>\n

Como hemos presentado, la paralelizaci\u00f3n de los procesos representa una mejora importante en el tiempo de ejecuci\u00f3n, llegando a ser en ciertos casos hasta 10 veces m\u00e1s r\u00e1pido que los softwares comerciales. Naturalmente las versiones de software comercial al no tener la misma implementaci\u00f3n sobre GPU que los casos paralelizados sus tiempos son mayores y la comparaci\u00f3n no es de algoritmo sino de implementaci\u00f3n.<\/p>\n

La distribuci\u00f3n de procesos tambi\u00e9n permite una mejora en el tiempo de ejecuci\u00f3n, sobre todo cuando se cuenta con m\u00e1quinas de similares caracter\u00edsticas y de alta potencia de c\u00e1lculo, que fue lo que logramos en la versi\u00f3n Cloud de CoSim. Nuevamente los tiempos de las versiones de software comercial, al no tener la misma implementaci\u00f3n paralelizada y distribuida, son ostensiblemente mayores, y ahora la comparaci\u00f3n adem\u00e1s de ser de implementaci\u00f3n, tambi\u00e9n es de hardware.<\/p>\n

Aplicaciones reales\u00a0<\/strong><\/h3>\n

Una de las ventajas de contar con el equipo de consultor\u00eda como contraparte del equipo de I+D, es la posibilidad de testeo continuo de CoEstim y CoSim en el contexto de ejecuci\u00f3n de proyectos de modo paralelo a las metodolog\u00edas tradicionales disponibles en los softwares comerciales. Esto ayud\u00f3 a depurar, verificar y mejorar ambas aplicaciones durante los \u00faltimos dos a\u00f1os, permiti\u00e9ndonos, por ejemplo, co-simular 3 variables en 21 millones de nodos con 100 realizaciones en tan solo 1 hora.<\/p>\n

Aprendizajes y oportunidades<\/h3>\n

El c\u00f3mputo paralelizado en GPU o distribuido en diversas m\u00e1quinas permite disminuir los tiempos de c\u00f3mputo de los algoritmos asociados a las problem\u00e1ticas actuales de modelamiento geo-minero-metal\u00fargico, pero mucho m\u00e1s importante es que abre nuevas posibilidades de modelamiento con implicancias en la gesti\u00f3n del negocio minero, por ejemplo, cambiando potencialmente los ciclos de modelamiento-planificaci\u00f3n por etapas, a un continuo.<\/p>\n

Agradecimientos<\/h3>\n

Agradecemos al Centro de Innovaci\u00f3n y Desarrollo SR-181 de GeoInnova, acreditado por Corfo, y al equipo de Consultor\u00eda involucrado en los temas de desarrollo de CoEstim<\/strong>, CoSim<\/strong> y c\u00f3mputo distribuido, as\u00ed como los proyectos Corfo 17ITE1-83672, 16GPI-60687, 15ITE1-48211.<\/p>\n

Equipo Actual:<\/h4>\n
Alan Toledo\u00a0\"\"<\/a>, Alejandro C\u00e1ceres \"\"<\/a>, Manuel Hoffhein\u00a0\"\"<\/a>, Javier Ortiz\u00a0\"\"<\/a>, Crist\u00f3bal Barrientos<\/a> \"\"<\/a>.<\/h5>\n

 <\/p>\n

Participantes hist\u00f3ricos I+D:<\/h4>\n

Daniel Pola\u00a0\"\"<\/a>, David Valenzuela\u00a0\"\"<\/a>, Sebasti\u00e1n Blasco\u00a0\"\"<\/a>.<\/h5>\n

 <\/p>\n

Equipo de Consultor\u00eda Testers:<\/h4>\n

Danilo Castillo\u00a0\"\"<\/a>, Rodrigo Guti\u00e9rrez\u00a0\"\"<\/a>, Lucas Contreras\u00a0\"\".<\/a><\/h5>\n
<\/h5>\n

 <\/p>\n

Referencias<\/h3>\n

(1992) Deutsch, C., Journel, A.\u00a0GSLIB: Geostatistical Software Library and User\u2019s Guide<\/a><\/p>\n

(2008) Emery, X. \u201cA turning bands program for conditional co-simulation of cross-correlated Gaussian random fields<\/a>.\u201d COMPUTERS & GEOSCIENCES.<\/p>\n

(2017) C\u00e1ceres, A., Valenzuela, D. and Pola,\u00a0D. \u201cGPGPU-based parallel variogram calculation and automatic model fitting.<\/a>\u201d GEOMIN MINEPLANNING.<\/p>\n","protected":false},"excerpt":{"rendered":"

Utilizando GPU y Cloud hemos logrado bajar enormemente los tiempos de ejecuci\u00f3n de los algoritmos de co-estimaci\u00f3n y co-simulaci\u00f3n.<\/p>","protected":false},"author":196,"featured_media":4944,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[35,45,39,47,41],"tags":[],"class_list":["post-4712","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-cloud","category-estimacion-de-recursos","category-paralelismo","category-simulacion-de-geologias","category-sistemas-distribuidos"],"yoast_head":"\nIncorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geoinnova.cl\/en\/gpu-and-cloud-on-geoinnova\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova\" \/>\n<meta property=\"og:description\" content=\"Utilizando GPU y Cloud hemos logrado bajar enormemente los tiempos de ejecuci\u00f3n de los algoritmos de co-estimaci\u00f3n y co-simulaci\u00f3n.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geoinnova.cl\/en\/gpu-and-cloud-on-geoinnova\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoInnova\" \/>\n<meta property=\"article:published_time\" content=\"2020-04-09T19:32:10+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2020-05-26T14:22:27+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"640\" \/>\n\t<meta property=\"og:image:height\" content=\"640\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Nicol\u00e1s S\u00e1ez\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Nicol\u00e1s S\u00e1ez\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"12 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/\"},\"author\":{\"name\":\"Nicol\u00e1s S\u00e1ez\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/person\\\/59061cd501e8342936bbca03a07e6549\"},\"headline\":\"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova\",\"datePublished\":\"2020-04-09T19:32:10+00:00\",\"dateModified\":\"2020-05-26T14:22:27+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/\"},\"wordCount\":2376,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cosim_3_1to1.png\",\"articleSection\":[\"Cloud\",\"Estimaci\u00f3n de Recursos\",\"Paralelismo\",\"Simulaci\u00f3n de Geolog\u00edas\",\"Sistemas Distribuidos\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/\",\"name\":\"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cosim_3_1to1.png\",\"datePublished\":\"2020-04-09T19:32:10+00:00\",\"dateModified\":\"2020-05-26T14:22:27+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#primaryimage\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cosim_3_1to1.png\",\"contentUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2020\\\/04\\\/cosim_3_1to1.png\",\"width\":640,\"height\":640,\"caption\":\"Simulaci\u00f3n de Variables Continuas\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/gpu-and-cloud-on-geoinnova\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\\\/\\\/geoinnova.cl\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#website\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/\",\"name\":\"GeoInnova\",\"description\":\"Consultora de recursos geol\u00f3gicos y reservas mineras\",\"publisher\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geoinnova.cl\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#organization\",\"name\":\"GeoInnova\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2025\\\/04\\\/logo.png\",\"contentUrl\":\"https:\\\/\\\/geoinnova.cl\\\/wp-content\\\/uploads\\\/2025\\\/04\\\/logo.png\",\"width\":244,\"height\":122,\"caption\":\"GeoInnova\"},\"image\":{\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geoinnova.cl\\\/#\\\/schema\\\/person\\\/59061cd501e8342936bbca03a07e6549\",\"name\":\"Nicol\u00e1s S\u00e1ez\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g\",\"caption\":\"Nicol\u00e1s S\u00e1ez\"},\"url\":\"https:\\\/\\\/geoinnova.cl\\\/en\\\/author\\\/nsaezgeoinnova-cl\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geoinnova.cl\/en\/gpu-and-cloud-on-geoinnova\/","og_locale":"en_US","og_type":"article","og_title":"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova","og_description":"Utilizando GPU y Cloud hemos logrado bajar enormemente los tiempos de ejecuci\u00f3n de los algoritmos de co-estimaci\u00f3n y co-simulaci\u00f3n.","og_url":"https:\/\/geoinnova.cl\/en\/gpu-and-cloud-on-geoinnova\/","og_site_name":"GeoInnova","article_published_time":"2020-04-09T19:32:10+00:00","article_modified_time":"2020-05-26T14:22:27+00:00","og_image":[{"width":640,"height":640,"url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png","type":"image\/png"}],"author":"Nicol\u00e1s S\u00e1ez","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Nicol\u00e1s S\u00e1ez","Est. reading time":"12 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#article","isPartOf":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/"},"author":{"name":"Nicol\u00e1s S\u00e1ez","@id":"https:\/\/geoinnova.cl\/#\/schema\/person\/59061cd501e8342936bbca03a07e6549"},"headline":"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova","datePublished":"2020-04-09T19:32:10+00:00","dateModified":"2020-05-26T14:22:27+00:00","mainEntityOfPage":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/"},"wordCount":2376,"commentCount":0,"publisher":{"@id":"https:\/\/geoinnova.cl\/#organization"},"image":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#primaryimage"},"thumbnailUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png","articleSection":["Cloud","Estimaci\u00f3n de Recursos","Paralelismo","Simulaci\u00f3n de Geolog\u00edas","Sistemas Distribuidos"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/","url":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/","name":"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova - GeoInnova","isPartOf":{"@id":"https:\/\/geoinnova.cl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#primaryimage"},"image":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#primaryimage"},"thumbnailUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png","datePublished":"2020-04-09T19:32:10+00:00","dateModified":"2020-05-26T14:22:27+00:00","breadcrumb":{"@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#primaryimage","url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png","contentUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2020\/04\/cosim_3_1to1.png","width":640,"height":640,"caption":"Simulaci\u00f3n de Variables Continuas"},{"@type":"BreadcrumbList","@id":"https:\/\/geoinnova.cl\/gpu-and-cloud-on-geoinnova\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/geoinnova.cl\/"},{"@type":"ListItem","position":2,"name":"Incorporando Tecnolog\u00eda GPU y Cloud Computing en GeoInnova"}]},{"@type":"WebSite","@id":"https:\/\/geoinnova.cl\/#website","url":"https:\/\/geoinnova.cl\/","name":"GeoInnova","description":"Consultora de recursos geol\u00f3gicos y reservas mineras","publisher":{"@id":"https:\/\/geoinnova.cl\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geoinnova.cl\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/geoinnova.cl\/#organization","name":"GeoInnova","url":"https:\/\/geoinnova.cl\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/geoinnova.cl\/#\/schema\/logo\/image\/","url":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2025\/04\/logo.png","contentUrl":"https:\/\/geoinnova.cl\/wp-content\/uploads\/2025\/04\/logo.png","width":244,"height":122,"caption":"GeoInnova"},"image":{"@id":"https:\/\/geoinnova.cl\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/geoinnova.cl\/#\/schema\/person\/59061cd501e8342936bbca03a07e6549","name":"Nicol\u00e1s S\u00e1ez","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7199f8b50d1fc48c95a48ec797075d52a8a530813fc62cd7ada2f824fb340450?s=96&d=mm&r=g","caption":"Nicol\u00e1s S\u00e1ez"},"url":"https:\/\/geoinnova.cl\/en\/author\/nsaezgeoinnova-cl\/"}]}},"_links":{"self":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts\/4712","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/users\/196"}],"replies":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/comments?post=4712"}],"version-history":[{"count":0,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/posts\/4712\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/media\/4944"}],"wp:attachment":[{"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/media?parent=4712"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/categories?post=4712"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geoinnova.cl\/en\/wp-json\/wp\/v2\/tags?post=4712"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}