Minicursos do SSCAD 2025
Palavras-chave:
Modelos de Linguagem de Grande Escala, LLMs, Arquitetura de Computadores, Computação de Alto Desempenho, Engenharia de Prompt, Jupyter Notebook, Google Colab, Ciência de Dados, Aprendizado de Máquina, Arquiteturas de Computadores Avançadas, RISCV, Compilador LLVM, Open MPI 5.0, Message Passing Interface, MPI, Modular Component Architecture, MCA, Valgrind, Memchecker, Aplicações ParalelasSinopse
Esta edição do Livro de Minicursos do SSCAD reúne o material didático elaborado pelos autores dos três minicursos apresentados durante o XXVI Simpósio em Sistemas Computacionais de Alto Desempenho, realizado de 28 a 31 de outubro de 2025, em Bonito, MS.
O primeiro minicurso propõe uma abordagem prática para o uso de Modelos de Linguagem de Grande Escala (Large Language Models, LLMs) como ferramenta de apoio à produção de material didático e à pesquisa nas áreas de Arquitetura de Computadores e Computação de Alto Desempenho. O capítulo apresenta conceitos fundamentais de engenharia de prompt, detalha as funcionalidades dos principais softwares de notebooks interativos — Jupyter Notebook e Google Colab — utilizados para o desenvolvimento e execução de código, e traz exemplos interativos de sistemas construídos com LLMs. Os exemplos exploram temas como ciência de dados, aprendizado de máquina, computação de alto desempenho, além de abordar arquiteturas de computadores avançadas, dedicadas e específicas, métodos de avaliação, medição e predição de desempenho.
O segundo minicurso oferece um tutorial detalhado sobre a adição de novas instruções ao backend RISCV da infraestrutura do compilador LLVM. O tutorial descreve o passo a passo de um projeto de uma pequena extensão chamada “xmatrix”, que introduz 32 registradores matriciais dedicados de 512 bits (matrizes de 4 × 4 elementos de 32 bits) e um conjunto restrito de operações aritméticas e de carga/armazenamento.
Por fim, o terceiro minicurso aborda os mecanismos do Open MPI 5.0 — uma das APIs mais empregadas no desenvolvimento de aplicações paralelas em ambientes de alto desempenho—que simplificam as atividades de depuração e ajustes finos (tuning). O conteúdo inicia-se com uma breve introdução à MPI (Message Passing Interface), seguida de uma explanação detalhada da Modular Component Architecture (MCA), a qual concede ao desenvolvedor um conjunto extensivo de opções para ajuste e depuração de programas MPI. O capítulo termina com a exposição dos aspectos práticos do processo de tuning, incluindo a aplicação das ferramentas Valgrind e Memchecker para a depuração de aplicações paralelas.
Acreditamos que este livro permitirá que estudantes, pesquisadores, profissionais e entusiastas das áreas de Arquitetura de Computadores e Processamento de Alto Desempenho tenham acesso consistente e aprofundado ao conhecimento apresentado no SSCAD 2025, oferecendo um recurso sólido, claro e duradouro para o aprofundamento dos estudos, mesmo àqueles que não puderam participar do evento presencialmente.
Capítulos
-
1. Mais Produtividade com LLMs, Engenharia de Prompt, Aprendizado de Máquina e GPUs
-
2. Implementing new RISC-V Instructions with the LLVM Compiler Infrastructure
-
3. Tuning e depuração de aplicações em Open MPI 5.0
Downloads
Referências
Al-Shetairy, M., Hindy, H., Khattab, D., and Aref, M. M. (2024). Transformers utilization in chart understanding: A review of recent advances & future trends. arXiv preprint arXiv:2410.13883. DOI: 10.48550/arXiv.2410.13883
Almanasra, S. and Suwais, K. (2025). Analysis of ChatGPT-Generated Codes Across Multiple Programming Languages. IEEE Access. DOI: 10.1109/ACCESS.2025.3538050
Canesche, M., Bragança, L., Neto, O. P. V., Nacif, J. A., and Ferreira, R. (2021). Google Colab CAD4U: Hands-On Cloud Laboratories for Digital Design. In 2021 IEEE International Symposium on Circuits and Systems (ISCAS), pages 1–5. IEEE. DOI: 10.1109/ISCAS51556.2021.9401151
CARRIERO, N.; GELERNTER, D. Linda in context. Communications of the ACM, ACM New York, NY, USA, v. 32, n. 4, p. 444–458, 1989. DOI: 10.1145/63334.63337
Chen, B., Zhang, Z., Langrené, N., and Zhu, S. (2023). Unleashing the potential of prompt engineering in large language models: a comprehensive review. arXiv preprint arXiv:2310.14735. DOI: 10.48550/arXiv.2310.14735
Coura, P., Freitas, I., Costa, H., Nacif, J., and Ferreira, R. (2025). Desmistificando o ensino de inteligência artificial e aprendizado de máquina. In Simpósio Brasileiro de Educação em Computação (EDUCOMP), pages 25–27. SBC. DOI: 10.5753/educomp_estendido.2025.6578
de Figueiredo, G. A., de Souza, E. S., Rodrigues, J. H., Nacif, J. A., and Ferreira, R. (2024). Desenvolvendo Ferramentas para Ensino de RISC-V com Python, Verilog, Matplotlib, SVG e ChatGPT. International Journal of Computer Architecture Education, 13(1):43–52. DOI: 10.5753/ijcae.2024.5343
Elon University (2025). Survey: 52% of u.s. adults now use ai large language models like chatgpt. Elon University.
FAUSEY, M. R. CPS and the Fermilab farms. In: FERMI NATIONAL ACCELERATOR LAB., BATAVIA, IL (UNITED STATES). 1992. Disponível em: [link].
Ferreira, R. and Nacif, R. D. G. P. (2025). Desenvolvendo simuladores para arquitetura de computadores com auxílio de modelos generativos de linguagens. International Journal of Computer Architecture Education, 14.
Ferreira, R., Canesche, M., Jamieson, P., Neto, O. P. V., and Nacif, J. A. (2024). Examples and tutorials on using google colab and gradio to create online interactive student-learning modules. Computer Applications in Engineering Education, page e22729. DOI: 10.1002/cae.22729
GEIST, A. et al. PVM: Parallel virtual machine: a users’ guide and tutorial for networked parallel computing. Cambridge, MA, USA: MIT Press, 1995. ISBN 0262571080.
Godage, T., Nimishan, S., Vasanthapriyan, S., Palanisamy, V., Joseph, C., and Thuseethan, S. (2025). Evaluating the effectiveness of large language models in automated unit test generation. In 2025 5th International Conference on Advanced Research in Computing (ICARC), pages 1–6. IEEE. DOI: 10.1109/ICARC64760.2025.10962997
GROPP, W.; LUSK, E. Sowing mpich: a case study in the dissemination of a portable environment for parallel scientific computing. The International Journal of Supercomputer Applications and High Performance Computing, v. 11, n. 2, p. 103–114, 1997. DOI: 10.1177/109434209701100204
HPCToolkit Project. HPCToolkit. 2025. Acessada em outubro de 2005. Disponível em: [link].
Jamieson, P., Ferreira, R., and Nacif, J. (2025). Board# 72: Leveraging large language models to create interactive online resources for digital systems and computer architecture education. In 2025 ASEE Annual Conference & Exposition. DOI: 10.18260%2F1-2--55888
Joel, S., Wu, J. J., and Fard, F. H. (2024). A survey on llm-based code generation for low-resource and domain-specific programming languages. arXiv preprint arXiv:2410.03981. DOI: 10.48550/arXiv.2410.03981
Linaro Limited. DDT - Distributed Debugging Tool. 2025. Disponível em: [link].
Lisboa, M. O., Costa, H., Coura, P., Freitas, I., Villela, M. L. B., and Ferreira, R. (2025). Modelos generativos de linguagem na construção de ferramentas de ensino de computação com interface gráfica. In Simpósio Brasileiro de Educação em Computação (EDUCOMP), pages 639–650. SBC. DOI: 10.5753/educomp.2025.4927
LLNL. LLNL/mpiP: A lightweight MPI profiler. 2025. [link]. Acessada em outubro de 2025.
MANACERO, A. Técnicas para análise e otimização de programas. In: Minicursos do SSCAD 2024. SBC, 2024. cap. 6, p. 23. DOI: 10.5753/sbc.16010.0.6
MICROSOFT. MS - MPI v10.1.3. 2025. Disponível em: [link].
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830. DOI: 10.1109/MCSE.2007.53
Pérez, F. and Granger, B. E. (2007). Ipython: a system for interactive scientific computing. Computing in science & engineering, 9(3):21–29.
Perforce. TotalView. 2025. [link]. Acessada em outubro de 2025.
PERFORMANCE RESEARCH LAB. TAU - Tuning and Analysis Utilities. 2025. [link]. Acessada em outubro de 2025.
Rule, A., Birmingham, A., Zuniga, C., Altintas, I., Huang, S.-C., Knight, R., Moshiri, N., Nguyen, M. H., Rosenthal, S. B., Pérez, F., and Rose, P. W. (2019). Ten simple rules for writing and sharing computational analyses in jupyter notebooks. PLOS Computational Biology, 15(7):1–8. DOI: 10.1371/journal.pcbi.1007007
Rule, A., Tabard, A., and Hollan, J. D. (2018). Exploration and explanation in computational notebooks. In Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems, pages 1–12. DOI: 10.1145/3173574.3173606
Ságodi, Z., Siket, I., and Ferenc, R. (2024). Methodology for code synthesis evaluation of llms presented by a case study of chatgpt and copilot. Ieee Access, 12:72303–72316. DOI: 10.1109/ACCESS.2024.3403858
The Open MPI Community. Open MPI v5.0.x. 2025. [link]. Accessado em julho de 2025.
Vyas, H. and BHARDWAJ, R. G. (2025). Chatgpt vs deepseek: A comparative evaluation on the international computer science benchmark–acm icpc. DOI: 10.21203/rs.3.rs-7077588/v1
Zala, A., Lin, H., Cho, J., and Bansal, M. (2023). Diagrammergpt: Generating open-domain, open-platform diagrams via llm planning. arXiv preprint arXiv:2310.12128. DOI: 10.48550/arXiv.2310.12128
Downloads
Data de publicação
Categorias
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
