Rúbrica · Evaluación de Código Fuente CUDA — Módulo 4 (EC4)

Instrumento del programa: Evaluación de código CUDA (rúbrica) (§18.2) Evidencia: Kernels CUDA de complejidad creciente (§16) Elemento de competencia: EC4 · Módulo: M4 · Semanas: 11–12 · Ponderación: 40 % de EC4 (8.8 % de la asignatura)

1. Qué se entrega

Repositorio de código Git con la serie de kernels CUDA en C/C++ desarrollados para la resolución eficiente de problemas computacionales masivos, acompañado de un Makefile y README.md que detalle las opciones de compilación con nvcc.

Programas requeridos:

Suma de vectores y producto escalar con control de dimensiones de grilla y bloques unidimensionales.
Kernel 2D para convolución / filtrado espacial de matrices de datos.
Reducción paralela de suma acumulada implementada con memoria compartida (__shared__) y optimización para evitar divergencia de warps.
Multiplicación de matrices por bloques de teselas (Tiled GEMM) utilizando sincronización explícita con __syncthreads().

2. Criterios de evaluación (100 puntos)

#	Criterio	Descripción del desempeño esperado	Puntaje
1	Corrección matemática y consistencia	Coincidencia numérica exacta de los resultados del kernel frente al algoritmo de referencia en CPU.	25
2	Configuración de grillas y bloques	Dimensionamiento adecuado de gridDim y blockDim con protección de límites de memoria (idx < N).	20
3	Gestión de memoria y transferencias	Asignación y liberación correcta con cudaMalloc/cudaFree; comprobación sistemática de errores de la API CUDA.	20
4	Uso eficiente de memoria compartida	Uso justificado de __shared__ para reutilización de datos y sincronización libre de carreras con __syncthreads().	20
5	Calidad del código y reproducibilidad	Modularidad, comentarios explicativos en los kernels y scripts de compilación listos para ejecutar.	15
	Total		100

3. Rúbrica analítica por niveles

Criterio	Destacado (4)	Competente (3)	En proceso (2)	No logrado (1)
1. Corrección	Validación automática frente a CPU en todos los kernels con tolerancia estricta	Coincide numéricamente; verificación manual	Discrepancias menores por precisión de float	Resultados incorrectos o divergentes
2. Grillas/Bloques	Configuración óptima de 128/256 hilos por bloque con manejo perfecto de restos de grilla	Configuración adecuada con guarda de límites	Límites de vector no verificados causando lecturas fuera de rango	Configuración errónea que provoca fallos de kernel
3. Memoria/API	Manejo impecable de punteros en device, verificación de errores en cada llamada	Memoria bien gestionada con verificación básica	Fugas de memoria en device o comprobación nula de errores	Fallos de segmentación o punteros inválidos
4. Memoria Compartida	Reducción libre de divergencia de warps y sincronización impecable	Uso correcto de shared memory con leve divergencia	Uso de shared memory con riesgo de condiciones de carrera	No utiliza shared memory o uso erróneo
5. Calidad	Repositorio estructurado, código limpio y medición precisa con eventos CUDA	Código legible y documentado con Makefile funcional	Código desordenado sin Makefile automatizado	Código confuso o no reproducible