.png){kind=icon}
返回
VDHA: Vector-Driven Hash Aggregation for Sparse Matrix-Sparse Vector Multiplication on GPUs
.png){kind=icon}
PRE
AI
DOI：10.1145/3774934.3786447.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏矩阵-稀疏向量乘法（SpMSpV）是图分析和科学计算中的核心基本操作，也出现在脉冲神经网络的事件驱动脉冲传播中。在GPU上，主流且高效的SpMSpV范式的性能往往受限于累加非零乘-累加结果的写回阶段；其多对一索引分散模式在GPU上导致严重的冲突和较差的带宽利用率。我们提出VDHA，一种基于GPU的加权SpMSpV内核，利用块私有哈希表进行局部聚合，显著减少写冲突并改善内存合并。为进一步放大这一优势，我们结合列分割与轻量级重排序来暴露更多局部性，并采用获取-计算-写回流水线来重叠哈希计算与内存访问。在包含超过300个具有500多万非零元素的矩阵的广泛评估中，涵盖了Web规模图（Konect/LAW）和科学工作负载（SuiteSparse），VDHA持续优于当前最优基线。在Web图上，它实现了1.41倍的几何平均加速（最高达3.42倍），而在SuiteSparse上则达到1.13倍（最高达2.55倍）。我们还提供了一个轻量级预测模型，能够以91.3%的准确率识别有利于VDHA的矩阵。
Keyword:
SpMSpV
sparse matrix
GPU
Hashing
SNN
期刊
机构
引用论文
分享收藏分享收藏
分享收藏OpSparse: A Highly Optimized Framework for Sparse General Matrix Multiplication on GPUsOpSparse: gpu上高度优化的稀疏通用矩阵乘法框架.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容