Resumen

La multiplicación de matrices y vectores dispersos (SpMV) es una operación importante en los cálculos científicos. La fila dispersa comprimida (CSR) es el formato más utilizado para almacenar matrices dispersas. Sin embargo, las SpMV basadas en CSR en unidades de procesamiento gráfico (GPU), por ejemplo, CSR-escalar y CSR-vectorial, suelen tener un rendimiento deficiente debido a los patrones irregulares de acceso a la memoria. Esto nos motiva a proponer un SpMV perfecto basado en CSR en la GPU que se denomina PCSR. PCSR incluye dos núcleos y accede a las matrices CSR de forma totalmente coalescente mediante la introducción de una matriz intermedia, lo que alivia en gran medida las deficiencias de CSR-scalar (coalescencia poco frecuente) y CSR-vector (coalescencia parcial). Los resultados obtenidos en una GPU C2050 muestran que PCSR supera ampliamente a CSR-escalar, CSR-vectorial, CSRMV e HYBMV en la librería CUSPARSE y es comparable a un algoritmo basado en CSR propuesto recientemente, CSR-Adaptive. Además, extendemos el uso de PCSR en una única GPU a múltiples GPUs. Los resultados experimentales en cuatro GPUs C2050 demuestran que, independientemente de si se tiene en cuenta o no la comunicación entre GPUs, PCSR en múltiples GPUs alcanza un buen rendimiento y tiene una alta eficiencia paralela.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Multiplicación vectorial de matrices dispersas; SpMV; fila dispersa comprimida; CSR; unidades de procesamiento gráfico; GPUs
• Keywords:Sparse matrix-vector multiplication; SpMV; compressed sparse row; CSR; graphic processing units; GPUs