.png){kind=icon}
返回
Optimizing sparse-dense matrix-matrix multiplication for DCUs
.png){kind=icon}
PRE
AI
DOI：10.1007/s42514-025-00254-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决主流稀疏-稠密矩阵乘法（SpMM）并行化策略行分割（row-split）中，随着矩阵规模增大出现的稀疏矩阵负载不均和并行效率下降问题，我们提出了一种基于DCU（类GPU加速器）的新型SpMM并行计算框架。该框架基于标准CSR格式，无需额外格式转换，因而具有强通用性。针对负载不均问题，我们引入了一种粗粒度两级装箱策略，根据稀疏矩阵各行非零元素数量将其划分为三类，并针对每类设计了专用计算核心，以更好地适配不同类型的计算任务，从而显著改善负载均衡。针对矩阵规模增大导致的并行效率下降问题，我们设计了多种优化核心，并在运行时动态选择最优配置以最大化并行度。实验结果表明，所提出的SpMM框架显著优于两种当前基于行分割的先进SpMM算法（rocSparse和GE-SpMM），分别实现了5.4×和2.28×的加速比。
Keyword:
SpMM
Sparse matrix
Load balancing
DCU accelerator
期刊
C
IF:
1.9
论文数:
38
被引数:
253
机构
引用论文
.png){kind=icon}
A universal parallel simulation framework for energy pipeline networks on high-performance computers
PREAI
分享收藏Rgs-SpMM: Accelerate Sparse Matrix-Matrix Multiplication by Row Group Splitting Strategy on the GPU
PREAI
分享收藏
查看更多内容