.png){kind=icon}
返回
Cholesky Parallel Decomposition Optimization Algorithm Based on ScaLAPACK
.png){kind=icon}
PRE
AI
DOI：10.1007/s11390-025-5111-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可扩展线性代数包（ScaLAPACK）是分布式内存系统上并行计算的关键库，支持依赖鲁棒线性代数运算的众多科学应用开发。然而，对于如Cholesky分解等特定计算，原生ScaLAPACK例程并非通信最优，且未能充分利用现代并行架构的能力。本文提出并行Cholesky分解（PCF）优化算法，旨在解决ScaLAPACK框架内的这些局限性。PCF算法通过战略性地区分进程间的数据分区来提升性能和负载均衡，涉及将计算工作量临时重新分配至根进程，该进程完成集中计算后再重新分配结果，确保CPU资源的更均衡利用。实验评估在Intel和Kunpeng处理器平台上进行。第一组实验表明，在优化的进程和线程配置下，PCF算法在Intel平台上较原生ScaLAPACK算法平均性能提升30%。第二组对比实验显示，Kunpeng平台上的PCF算法在不同线程配置下分别实现200%和50%的平均计算效率提升，显著优于Intel平台上的Intel数学核心库（MKL）。这些结果证实所提优化有效提升了性能和跨现代计算环境的可移植性。
Keyword:
scalable linear algebra package (ScaLAPACK)
Cholesky
parallel computing
math kernel library
期刊
J
IF:
1.3
论文数:
76
被引数:
1.5K
机构
引用论文
暂无论文信息