EvoGP est un framework hautes performances pour l'accélération GPU de la programmation génétique arborescente (TGP). Compte tenu de la forte intensité de calcul de TGP, EvoGP est proposé pour résoudre trois problèmes clés : l'hétérogénéité structurelle, la complexité de l'intégration du parallélisme multi-niveaux et l'incompatibilité entre l'exécution CUDA haute performance et les environnements flexibles basés sur Python. Il résout ces problèmes en utilisant une représentation tensorielle qui encode les arbres de taille variable sous forme de tableaux alignés en mémoire de forme fixe, une stratégie de parallélisme adaptatif qui combine dynamiquement le parallélisme intra-objet et inter-objet en fonction de la taille du jeu de données, et l'intégration de noyaux CUDA personnalisés dans l'environnement d'exécution PyTorch. Les résultats expérimentaux montrent qu'EvoGP atteint une accélération jusqu'à 140 fois supérieure à celle des implémentations TGP de pointe basées sur GPU, tout en maintenant une précision compétitive et en améliorant significativement l'évolutivité pour les grandes populations. EvoGP est open source et disponible sur GitHub.
