Accelerating Operational Earth System Models using GPUs : portability of NEMO diagnostics to GPU's

Earth science models are widely used in meteorological institutions and universities for weather and climate prediction studies. The complexity of the chaotic equations used and the amount of data needed to achieve a good accuracy on the simulation demand a computational power only found in clusters. One of these models is NEMO, which is the European framework for excellence used for oceanic studies and running on MareNostrum 4. A prime focus in this context is the computational performance of the model. So much to reduce "Time to solution" as for the costs associated during the execution. In NEMO, the execution time is extended due to the calculation of some diagnostics, which are used to prepare the output variables for the post-processing study. In this project, the performance of NEMO diagnostics is analyzed. Afterward, the portability of them to new architectures based on GPUs through CUDA while removing this part from the critical path of the execution is discussed.Els models de ciències de la terra són àmpliament utilitzats en institucions meteorològiques i universitats per estudis de predicció climàtica. La complexitat de les equacions caòtiques i la quantitat de dades necessària per aconseguir una predicció acurada per les simulacions requereix una potència de càlcul només assolible en clústers com per exemple el Marenostrum 4. Un d'aquests models és NEMO, el framework per excel·lència a Europa utilitzat per estudis oceanogràfics. Un aspecte prioritari en aquest context és el rendiment del model. Tant per reduir "Time to solution" com pels costos associats durant l'execució. Per a preparar les sortides de NEMO, s'executen diagnòstics per a preparar les variables de sortida per als estudis de post processament, els quals fan el model més lent. En aquest projecte s'analitza el rendiment dels diagnòstics de NEMO per a, més tard, poder ser implementats a noves arquitectures basades en GPUs mitjançant CUDA, al mateix temps que s'elimina aquesta part del camí crític d'execució.Los modelos de ciencias de la tierra son ampliamente utilizados en instituciones meteorológicas y universidades para estudios de predicción climática. La complejidad de las ecuaciones caóticas y la cantidad de datos necesaria para conseguir una predicción precisa para las simulaciones requiere una potencia de cálculo sólo alcanzable en clústeres como el Marenostrum 4. Uno de estos modelos es NEMO, el framework por excelencia en Europa utilizado para estudios oceanográficos. Un aspecto prioritario en este contexto es el rendimiento del modelo. Tanto para reducir "Time to solution" como por los costes asociados durante la ejecución. Para preparar las salidas de NEMO, ejecutan diagnósticos para preparar las variables de salida para los estudios de post procesamiento, los cuales hacen el modelo más lento. En este proyecto se analiza el rendimiento de los diagnósticos de NEMO para, más tarde, poder implementarlos a nuevas arquitecturas basadas en GPUs mediante CUDA, al tiempo que se elimina esta parte del camino crítico de ejecución