SOLANET: Distributed Neighbor Graph Construction on GPU-Accelerated Systems
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
提出SOLANET，一种在GPU加速分布式系统上通过本地图构建和远程近似最近邻搜索实现高效邻居图构建的工具，在MI300A APU上单GPU性能优于现有方法，并在大规模数据上展示近线性加速。
2026-05-26 cs.DC
HyTGraph: GPU-Accelerated Graph Processing with Hybrid Transfer Management
使用内存有限的GPU处理大型图形需要解决主机-GPU数据传输问题，这是一个关键的性能瓶颈。现有的GPU加速图处理框架通过在运行时管理活动子图传输来减少数据传输。一些框架采用基于带有过滤或压缩的显式内存复制的显式传输管理方法。相比之下，其他采用隐式传输管理方法的基础上按需访问零拷贝或统一的内存。经过深入的分析，我们发现，随着活动顶点的演变，这两种方法的性能在不同的工作负载。由于大量冗余数据传输、高CPU压缩开销或低带宽利用率，采用单一方法通常会导致性能欠佳。在这项工作中，我们提出了一种混合传输管理方法，在运行时采取这两种方法的优点，在每次迭代的目标是实现最短的执行时间。基于混合方法，我们提出了HytGraph，一个GPU加速的图形处理框架，它是由一组有效的任务调度优化，以提高性能。我们在真实世界和合成图上的实验结果表明，HyTGraph比现有的GPU加速图形处理系统（包括Grus，Subway和EMOGI）实现了高达10.27倍的加速。
2022-08-31 cs.DC
A GPU-Accelerated Barycentric Lagrange Treecode
我们提出了一个MPI + OpenACC实现的内核独立的重心拉格朗日树码（BLTC）的快速求和的GPU上的粒子相互作用。分布式内存并行化使用递归坐标二分法进行区域分解和MPI远程内存访问来构建每个秩上的本地本质树。粒子交互被组织成目标批处理/源集群交互，这些交互有效地映射到GPU上;目标并行化提供了外部并行化级别，而重心粒子集群近似的直接和形式提供了内部并行化级别。在几个测试用例上，通过库仑势和汤川势验证了GPU加速的BLTC性能，测试粒子数高达10亿。
2020-03-13 cs.DC physics.comp-ph
GPU Accelerated Keccak (SHA3) Algorithm
像SHA-1或MD5这样的哈希函数是最重要的加密原语之一，特别是在信息完整性领域。考虑到越来越多的方法被提出来打破这些哈希算法，美国国家标准与技术研究所举办了一场新的哈希函数族的竞赛。Shakecak是获胜者，并被选为下一代哈希函数标准，命名为SHA-3。我们的目标是在NVIDIA GPU平台上实现和优化基于批处理模式的并行算法。我们的工作考虑了一次处理多个哈希任务的情况，并分别在CPU和GPU上实现。我们的实验结果表明，GPU的性能明显高于CPU的情况下，处理大批量的小哈希任务。
2019-02-14 cs.DC
A GPU-accelerated Branch-and-Bound Algorithm for the Flow-Shop Scheduling Problem
分支定界算法是求解最优性组合优化问题的一种时间密集型的基于树的探索方法。在本文中，我们研究使用GPU计算作为一个主要的补充方式，以加快这些方法。重点放在B&B算法的边界机制，这是他们的探索过程中最耗时的部分。我们提出了一种基于GPU加速边界模型的并行B&B算法。所提出的方法专注于优化数据访问管理，以进一步提高绑定机制的性能，该机制使用不完全适合GPU内存的大型和中间数据集。广泛的实验的贡献已经进行了众所周知的FSP基准使用Nvidia特斯拉C2050 GPU卡。我们得到的性能进行了比较，以一个单一的和多线程的CPU为基础的执行。对于大型问题实例，可实现高达x100的加速。
2012-08-20 cs.DC
GPU Accelerated AES Algorithm
图形处理单元（GPU）是一种很有前途的加密加速方案，它支持整数和逻辑运算等复杂的数学运算，使加密加速的实现更加容易，但并行粒度、内存分配等复杂问题仍然给实际应用带来负担。在本文中，我们提出了一种新的方法，高级加密标准的加速，包括加密和解密。具体来说，我们适应的电子代码簿模式的密码转换，查找表计划的快速查找，和线程调度的一个线程的状态的粒度。我们的实验结果为研究人员提供了一个很好的理解GPU架构和软件加速。此外，我们的源代码和实验结果都是免费提供的。
2019-02-14 cs.DC
Scaling Up Large-Scale Graph Processing for GPU-Accelerated Heterogeneous Systems
GPU加速的异构体系结构不仅具有支持大规模图形处理的大内存容量，还为高性能计算提供了巨大的潜力。然而，由于有限的CPU-GPU传输效率，很少有现有的异构系统可以利用这两种硬件优势来实现图形处理的扩展性能。在本文中，我们研究了异构图系统的传输效率问题。我们的关键见解是，异构图形处理的传输效率可以大大提高，通过简单地迭代每个子图多次（而不是只有一次在以前的工作）在GPU，进一步使异构图形系统的效率，通过提高GPU的处理能力，以获得改进。因此，我们提出Seraph，与{ \em流水线}子图迭代和{ \em预测}顶点更新的亮点，以合作最大限度地提高图形处理的GPU的有效计算。我们对各种大型图形数据集的评估表明，Seraph的性能优于最先进的异构图形系统5.42倍（与Graphie相比）和3.05倍（与Garaph相比）。此外，Seraph可以在Graphie上显着扩展，因为它具有更多的计算能力来进行大规模图形处理。
2018-06-03 cs.DC
Warp-STAR: High-performance, Differentiable GPU-Accelerated Static Timing Analysis through Warp-oriented Parallel Orchestration
National Taiwan University（台湾大学）
本文提出Warp-STAR，通过在织线层面协调并行计算消除不均衡，实现比现有GPU静态时序分析工具快2.4倍，同时在时序驱动全局放置框架中达到1.7倍提升，并支持可微分梯度分析。
2026-03-30 cs.DC
GPU Accelerated Similarity Self-Join for Multi-Dimensional Data
自连接查找数据集中彼此在搜索距离内的所有对象;因此，自连接是许多算法的构建块。我们提出了一个GPU加速的自连接算法针对高维数据。GPU提供的大规模并行性和高聚合内存带宽使该架构非常适合数据密集型工作负载。我们利用基于网格的GPU定制索引来执行范围查询。我们提出了以下优化：（i）通过利用索引的属性在候选集过滤和索引搜索开销之间进行权衡;（ii）基于每个维度的方差对数据进行重新排序，以提高索引的过滤能力;以及（iii）用于减少昂贵的距离计算次数的修剪方法。在现实世界和合成数据集的大多数场景中，我们的算法优于并行的最先进的方法。Exascale系统正在向异构分布式存储器架构汇聚。我们表明，可以利用实体分区方法来实现平衡的工作负载，从而为多GPU或分布式内存自连接提供良好的可扩展性。
2018-09-26 cs.DC
DiVinE-CUDA - A Tool for GPU Accelerated LTL Model Checking
在本文中，我们提出了一个工具，执行CUDA加速LTL模型检验。该工具利用调整到NVIDIA CUDA架构的并行算法MAP，以有效地检测有向图中接受循环的存在。接受循环检测是基于自动机的LTL模型检验的核心算法过程。我们证明了该工具优于非加速版本的算法，我们讨论了该工具的限制，我们打算在未来做什么，以避免它们。
2009-12-14 cs.DC cs.SE
GPU-Accelerated Algorithms for Process Mapping
Heidelberg University（海德堡大学）
本文提出两种基于GPU的进程映射算法，通过分层多细分和多级图划分管道整合，实现高效的负载平衡与通信成本优化，具有显著的速度提升优势。
2026-03-13 cs.DC
CRIUgpu: Transparent Checkpointing of GPU-Accelerated Workloads
针对现有GPU检查点技术开销高、适配难的问题，本文提出基于新驱动功能的CRIUgpu方法，支持CUDA和ROCm应用，消除稳态开销并缩短恢复时间。
2025-02-23 cs.DC
gZCCL: Compression-Accelerated Collective Communication Framework for GPU Clusters
本文提出gZCCL框架，通过精度感知设计优化GPU集群上有损压缩集合通信，在512块A100 GPU上实现Allreduce和Scatter性能最高超越NCCL与Cray MPI达4.5倍和28.7倍。
2024-05-06 cs.DC
Simple and efficient GPU parallelization of existing H-Matrix accelerated BEM code
在本文中，我们演示了如何GPU加速的边界元例程可以用在一个简单的黑盒的方式来加速快速边界元公式的基础上分层矩阵（H矩阵）与ACA（自适应交叉逼近）。特别是，我们专注于昂贵的评估与拉普拉斯和亥姆霍兹方程在三维空间的离散弱形式的边界算子。该方法基于在ACA组装期间将元件的CPU组装卸载到GPU设备上，并且使用跨ACA块的线程策略来为GPU创建足够的工作负载。所提出的GPU策略的设计使得它可以在现有代码中实现，对周围的应用程序结构进行最小的更改。对于现有的遗留代码来说，这一点特别有趣，因为这些代码并非从头开始设计时就考虑到了GPU计算。我们的基准研究通过使用现代高性能CPU上最先进的多线程计算作为参考，而不是与单线程代码进行综合比较，对GPU加速的BEM模拟的好处给出了现实的印象。加速图表明，在这些条件下，GPU计算可以实现高达5.5倍的性能增益。这是指一个具有约400万个未知数的边界元模型，其与实值（拉普拉斯）边界算子相关的H矩阵弱形式仅在100分钟内利用两个GPU建立，而不是仅使用20个CPU内核时的9小时。基准研究之后是一个要求特别高的现实应用，我们计算潜艇的散射高频声场，以证明从基于GPU的ACA组件转移到整体应用性能的提高。
2017-11-06 cs.DC
Efficient Resource Sharing Through GPU Virtualization on Accelerated High Performance Computing Systems
高性能计算（HPC）领域正在见证图形处理单元（GPU）作为传统同构集群的协处理器的广泛采用。基于GPU的并行处理采用流行的单程序多数据（SPMD）编程范式，带来了处理器/协处理器分布不对称、资源利用率低的挑战。换句话说，在SPMD下，需要均衡的CPU/GPU分布以确保充分的资源利用率。在本文中，我们提出了一种GPU资源虚拟化的方法，使未充分利用的微处理器，有效地共享GPU。我们提出了一个有效的GPU共享方案，通过GPU虚拟化实现，并通过执行模型分析性能潜力。我们进一步提出的虚拟化基础设施的实施细节，其次是实验分析。结果表明，GPU虚拟化带来了可观的性能提升。此外，所提出的解决方案能够充分利用非对称资源，通过有效的GPU共享之间的微处理器，同时由于增加的虚拟化层，导致低开销。
2015-11-24 cs.DC cs.PF
Performance Impact of Data Layout on the GPU-accelerated IDW Interpolation
本文重点评估了不同数据布局对GPU加速IDW插值的性能影响。首先，我们重新设计和改进了我们以前的GPU实现，该实现是通过利用CUDA动态并行（CDP）功能来执行的。然后，我们实现了三个版本的GPU实现，即，简单版本、平铺版本和改进的CDP版本，基于五种布局，包括阵列结构（SoA）、Sturcutes阵列（AoS）、对齐Sturcutes阵列（AoaS）、对齐结构阵列的结构（SoAoS）和混合布局。实验结果表明：布局AoS和AoaS对于朴素版本和平铺版本都比布局SoA获得更好的性能，而布局SoA是改进CDP版本的最佳选择。我们还注意到：对于两种组合数据布局（SoAoS和Hybrid），当与其它三种基本布局相比时，没有显著的性能增益。我们建议：在实际应用中，AoaS布局是最好的选择，因为平铺版本是GPU实现的三个版本中最快的一个，特别是在单精度的上。
2014-02-20 cs.DC
Trie Compression for GPU Accelerated Multi-Pattern Matching
图形处理单元允许运行大规模并行应用程序，将CPU从计算密集型资源中卸载，但GPU的内存量有限。本文提出了一种用于大规模并行模式匹配的trie压缩算法，该算法比原来的高效并行无故障aho-corasick算法减少了85%的空间需求，同时具有超过22 Gbps的吞吐量。该算法利用GPU上的压缩行存储矩阵以及共享和纹理存储器。
2017-02-13 cs.DC cs.DS
Vortex: Overcoming Memory Capacity Limitations in GPU-Accelerated Large-Scale Data Analytics
针对GPU内存容量有限及PCIe通信瓶颈问题，提出Vortex框架，通过优化IO原语利用多GPU系统所有PCIe链路为单目标GPU提供IO支持，分离内核开发与IO调度，延迟物化技术提升性能5.7倍，性价比提升2.5倍。
2025-02-13 cs.DB cs.DC
ProbSelect: Stochastic Client Selection for GPU-Accelerated Compute Devices in the 3D Continuum
NexaSphere project（NexaSphere项目）
针对3D连续体联邦学习中传统客户端选择依赖历史数据且未考虑GPU特征的问题，提出无需历史数据或持续监控的ProbSelect方法，通过分析建模和概率预测优化GPU设备选择，平均提升13.77%的SLO合规性并减少72.5%计算浪费。
2025-11-11 cs.AI cs.DC
GPU Accelerated Sparse Cholesky Factorization
针对大规模科学工程中稀疏对称正定线性系统求解的计算密集问题，提出将部分稠密矩阵运算卸载到GPU的技术加速稀疏Cholesky分解，实现了较纯CPU版本高达4倍的加速比。
2024-09-24 cs.DC
A GPU-accelerated Molecular Docking Workflow with Kubernetes and Apache Airflow
本研究将专为HPC设计的GPU加速分子对接工作流迁移至基于Kubernetes和Apache Airflow的云原生环境，提供了基于DAG的实现与GPU部署细节，并利用SWEETLEAD数据集验证了其在异构云资源上有效重叠不同执行阶段的能力。
2024-10-14 cs.DC
A Practical GPU-Accelerated Implementation of Orthogonal Matching Pursuit
Johns Hopkins University（约翰斯·霍普金斯大学）；DTU Compute（丹麦理工大学计算学院）
本文提出一种高效的GPU加速正交匹配追踪算法，利用Cholesky逆性质和GPU加速，实现比Scikit-Learn快310倍、比SPAMS快26倍的性能提升。
2026-03-31 cs.DC
GATSPI: GPU Accelerated Gate-Level Simulation for Power Improvement
NVIDIA Corporation（英伟达公司）
在本文中，我们提出了GATSPI，一种新的GPU加速逻辑门模拟器，使超快速功耗估计的工业规模的ASIC设计与数百万门。GATSPI是用PyTorch编写的，带有定制的CUDA内核，便于编码和维护。与运行在单个CPU内核上的商用门级仿真器相比，它在单GPU系统上实现了高达1668倍的仿真内核加速比，在多GPU系统上实现了高达7412倍的仿真内核加速比。GATSPI支持一系列简单到复杂的单元类型，包括行业标准单元库和SDF条件延迟语句，而无需预先校准运行，并通过延迟感知门级仿真生成行业标准SAIF文件。最后，我们部署GATSPI在毛刺优化流程，实现了1.4%的节能与449倍的加速比，在周转时间相比，类似的流程使用商业模拟器。
2022-03-11 cs.DC cs.LG
Enabling GPU Accelerated Computing in the SUNDIALS Time Integration Library
作为Exascale Computing Project（ECP）的一部分，非线性和差分/代数方程求解器套件（SUNDIALS）最近的开发重点是在极端尺度下的科学应用中实现GPU加速的时间积分。这一努力导致了几个新的GPU启用的实现核心SUNDIALS数据结构，支持编程范式，这是意识到异构体系结构，并引入实用程序，以提供新的灵活性点。在本文中，我们讨论了我们的考虑，内部和外部，当设计这些新功能，并提出自己的功能。我们还介绍了Summit超级计算机和Frontier超级计算机的抢先体验硬件上的几个功能的性能结果，这些结果表明，使用NVIDIA和AMD GPU时，额外的基础设施和显着的加速带来的性能开销可以忽略不计。
2021-12-08 cs.DC cs.MS
GPU-Accelerated Distributed QAOA on Large-scale HPC Ecosystems
本研究在Frontier CPU/GPU超算上通过先进问题分解与消息传递并行，提升分布式量子近似优化算法的可扩展性与效率，实现最高10倍于CPU仿真的加速，支撑混合量子-经典应用落地。
2025-06-12 cs.DC
CNNdroid: GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android
Sharif University of Technology（谢里夫理工大学）；University of California, Davis（加利福尼亚大学戴维斯分校）
许多在智能手机和可穿戴设备上运行的移动应用程序可能会受益于基于深度CNN的机器学习算法的准确性和可扩展性。然而，性能和能量消耗限制使得在移动设备上执行这样的计算密集型算法是禁止的。我们提出了一个GPU加速库，称为CNNdroid，用于在基于Android的移动设备上执行训练过的深度CNN。经验评估表明，CNNdroid在当前移动设备上实现了高达60倍的加速和130倍的节能。CNNdroid开源库可从https://github.com/ENCP/CNNdroid下载
2016-10-15 cs.CV cs.DC
GPU-accelerated Linear Algebra for Coupled Solvers in Industrial CFD Applications with OpenFOAM
本研究开发了基于GPGPU的隐式CFD耦合求解器，在NASA CRM和DriveAER案例中分别实现超4倍加速和更优稳定性，展示了GPU在工业CFD中的高效性。
2024-01-10 cs.CE cs.DC
GPU-Accelerated Algorithms for Compressed Signals Recovery with Application to Astronomical Imagery Deblurring
Politecnico di Torino（都灵理工大学）
压缩传感有望通过提升从源到接收器的编码复杂度来实现天文数据的带宽有效的机载压缩。信号被离线恢复，利用GPU的并行计算能力来加速重建过程。然而，固有的GPU硬件约束限制了可恢复信号的大小和实际可实现的加速。在这项工作中，我们设计的并行算法，利用循环矩阵的性能，有效的GPU加速稀疏信号恢复。我们的方法降低了内存需求，使我们能够用有限的内存恢复非常大的信号。此外，由于矩阵向量乘法和矩阵求逆的ad-hoc并行化，它实现了十倍的信号恢复加速。最后，我们实际证明了我们的算法在循环矩阵的一个典型应用：在压缩域中去模糊稀疏天文图像。
2017-07-07 astro-ph.IM cs.CV cs.DC
DBCSR: A Library for Dense Matrix Multiplications on Distributed GPU-Accelerated Systems
大多数，如果不是所有的现代科学模拟软件包利用矩阵代数运算。在线性代数的运算中，最重要的核心之一就是矩阵的乘法运算，无论是稠密矩阵还是稀疏矩阵。这样的内核的应用示例是在电子结构计算、机器学习、数据采掘、图形处理和数字信号处理中。有几个优化的库可以在分布式系统上实现高性能。其中只有少数针对分布式GPU加速系统。在大多数情况下，这些库由系统供应商针对其特定计算机系统提供和优化。在本文中，我们提出了DBCSR库（分布式块压缩稀疏行）的分布式密集矩阵矩阵乘法。尽管该库是专门为块稀疏矩阵-矩阵乘法设计的，但我们针对GPU加速系统上的密集情况进行了优化。我们表明，DBCSR优于由供应商优化的GPU版本的ScaLAPACK库提供的不同大小和形状的矩阵的乘法高达2.5倍（平均1.4倍）。
2019-10-10 cs.DC cs.MS
Bonsai-SPH: A GPU accelerated astrophysical Smoothed Particle Hydrodynamics code
我们提出的光滑粒子流体动力学模拟代码，Bonsai-SPH，这是我们以前开发的重力只分层$N$体代码（称为盆景）的延续。该代码针对图形处理单元（GPU）加速器进行了优化，使研究人员能够利用这些强大的计算资源。Bonsa-SPH产生的模拟结果与最先进的，基于CPU的，代码，但使用一个数量级更少的计算时间。该代码可以在网上免费获得，详细信息在本工作中描述。
2020-02-14 astro-ph.IM cs.DC physics.comp-ph
Accelerated solution of Helmholtz equation with Iterative Krylov Methods on GPU
本文对图形处理器（GPU）上双精度复数运算的线性代数运算进行了分析和评价。已知这些操作的性能，迭代Krylov方法被认为是有效地解决声学问题。对一组声学矩阵进行了数值实验，所产生的建模的声学现象在一个气缸和汽车车厢内暴露，表现出我们的算法的性能，鲁棒性和效率，与一个比率高达27倍的点积，10倍的稀疏矩阵-矢量积和求解器在复杂的双精度运算。
2021-12-13 cs.DC cs.NA math.NA
NekRS, a GPU-Accelerated Spectral Element Navier-Stokes Solver
介绍了基于谱元法（SEM）的面向GPU的热流体模拟程序NekRS的开发过程。对于性能可移植性，代码基于开放并发计算抽象，并利用SEM代码Nek 5000和libParpendal中的可扩展开发，libParpendal是用于高阶离散化和基于PDE的小型应用程序的高性能内核库。关键性能部分的Navier-Stokes时间推进的解决。在几个平台上的性能结果，包括扩展到27,648 V100的OLCF峰会，计算高达60 B网格点。
2021-04-12 cs.DC cs.PF
A GPU-Accelerated Fast Summation Method Based on Barycentric Lagrange Interpolation and Dual Tree Traversal
提出了求解粒子相互作用的重心拉格朗日对偶树遍历（BLDTT）快速求和方法。该计划取代了良好分离的粒子-粒子相互作用的自适应选择粒子簇，集群粒子，集群集群近似给出重心拉格朗日插值在代理粒子上的切比雪夫网格在每个集群。BLDTT是独立于内核的，并且近似可以有效地映射到GPU上，其中目标粒子提供外部并行性级别，源粒子提供内部并行性级别。我们提出了一个OpenACC GPU实现的MPI远程内存访问的分布式内存并行化的BLDTT。GPU加速的BLDTT的性能表现为不同的问题大小，粒子分布，几何域，和相互作用内核，以及不平等的目标和源粒子的计算。与我们早期的粒子团重心拉格朗日树码（BLTC）的比较表明，BLDTT的优越性能。特别地，在单个GPU上，对于从$N$ = 1 E5到1 E8的问题大小，BLTC具有$O(N\log N)$缩放，而BLDTT具有$O(N)$缩放。此外，MPI强缩放结果的BLTC和BLDTT使用$N$ = 64 E6粒子上多达32个GPU。
2020-12-13 cs.DC physics.comp-ph
HipBone: A performance-portable GPU-accelerated C++ version of the NekBone benchmark
我们介绍了hipBone，一个用于Nek 5000（和NekRS）CFD应用程序的开源性能便携式代理应用程序。HipBone是原始NekBone CPU代理应用程序的完全GPU加速C++实现，具有几种新颖的算法和实现改进，可优化其在现代细粒度并行GPU加速器上的性能。我们的优化包括转换存储的自由度的问题，以组装的形式，以减少移动的数据量在主迭代和便携式实现的主要泊松算子内核。我们展示了近屋顶性能的运营商内核的三个不同的现代GPU加速器从两个不同的供应商。我们提出了一种新的算法分裂的应用程序的泊松运算符的GPU积极隐藏MPI通信所需的光环交换和组装。我们的最近邻居MPI通信的实现，然后利用几种不同的路由算法和GPU-Direct RDMA功能，当可用时，这提高了基准的可扩展性。我们展示了三个不同的集群在橡树岭国家实验室，即首脑会议的超级计算机和前沿早期访问集群，斯波克和破碎机的hipBone的性能。我们的测试证明了跨不同集群的可移植性和非常好的扩展效率，特别是在大型问题上。
2022-02-25 cs.DC cs.PF
PhoneBit: Efficient GPU-Accelerated Binary Neural Network Inference Engine for Mobile Phones
Sun Yat-sen University（中山大学）；Notheastern University（东北大学）；Peng Cheng Laboratory（鹏城实验室）
在过去的几年里，深度神经网络（DNN）在计算机视觉和其他领域取得了巨大成功。然而，由于DNN的高计算复杂性，性能和功率约束使得在移动设备上部署DNN仍然具有挑战性。二进制神经网络（BNN）已被证明是一个有前途的解决方案，以实现这一目标，通过使用逐位操作，以取代大多数算术运算。目前，BNN的现有GPU加速实现仅针对桌面平台。由于架构差异，仅仅将这些实现移植到移动设备会产生次优性能，或者在某些情况下是不可能的。在本文中，我们提出了PhoneBit，一个GPU加速的BNN推理引擎，用于基于Android的移动设备，充分利用移动GPU上BNN的计算能力。PhoneBit提供了一组操作员级别的优化，包括本地友好的数据布局，带矢量化的位打包和层集成，以实现高效的二进制卷积。我们还为PhoneBit提供了详细的实现和并行优化，以最佳地利用移动GPU的内存带宽和计算能力。我们评估PhoneBit与AlexNet，YOLOv2 Tiny和VGG16与他们的二进制版本。我们的实验结果表明，PhoneBit可以实现显着的加速比和能源效率相比，国家的最先进的移动设备的框架。
2019-12-05 cs.CL cs.DC
GPU-Accelerated Synthesis of Mixed-Boolean Arithmetic: Beyond Caching
CNRS（法国国家科学研究中心）；LaBRI（拉普拉ia实验室）；University of Bordeaux（波尔多大学）
本文提出SIMBA，一种基于GPU的混合布尔算术综合工具，通过无缓存的自底向上枚举方法，实现更高效的大规模规格处理和复杂目标的综合。
2026-05-07 cs.DC cs.LG cs.PL
Porting WarpX to GPU-accelerated platforms
WarpX是一种通用电磁粒子细胞代码，最初设计用于在众核CPU架构上运行。我们描述了允许WarpX在OLCF的Summit超级计算机上使用GPU加速节点的策略，我们相信这一策略将扩展到即将推出的机器Frontier和Aurora。我们总结了遇到的挑战，经验教训，并给出了一系列相关基准问题的当前性能结果。
2021-09-02 cs.DC physics.acc-ph physics.comp-ph
GPU-Accelerated Discontinuous Galerkin Methods: 30x Speedup on 345 Billion Unknowns
本文提出了一种在笛卡尔网格上离散无粘流体动力学控制方程--可压缩欧拉方程的间断Galerkin方法，并通过OCCA（一种统一的多线程硬件结构性能移植方法）将其应用于图形处理单元。与使用非CUDA感知MPI通信的仅CPU实现相比，在多达1，536个NVIDIA V100 GPU上实现了30倍的求解时间加速，并且在多达6，144个NVIDIA V100 GPU上实现了并行强大的可扩展性，解决了包含3，450亿个未知数的问题。CUDA-Aware MPI通信与非GPUDirect通信的比较表明，在由32个NVIDIA V100 GPU组成的8个节点上，速度提高了24%。
2020-08-31 cs.DC cs.NA cs.PF
AcceleratedKernels.jl: Cross-Architecture Parallel Algorithms from a Unified, Transpiled Codebase
AcceleratedKernels.jl是Julia中并行计算的后端不可知库，通过独特的编译架构原生针对NVIDIA，AMD，Intel和Apple加速器。它以统一、紧凑的代码库编写，可以实现高效的并行编程，最大限度地降低实现和使用的复杂性。算术重内核的基准测试显示，性能与C和OpenMP多线程CPU实现相当，Julia有时提供比传统C编译器更一致和可预测的数值性能。卓越的可组合性是突出的，因为同时CPU-GPU协同处理是可实现的-例如CPU-GPU协同排序-透明使用硬件专用的MPI实现。在Baskerville Tier 2 UK HPC集群上进行的测试表明，使用200个NVIDIA A100 GPU，可以实现538-855 GB/s的世界级排序吞吐量，与文献报道的在262，144个CPU内核上实现的900 GB/s的最高数据相当。直接NVLink GPU到GPU互连的使用导致平均4.93倍的加速;通过综合资本，运行和环境成本进行标准化，如果采用GPUDirect互连，通信繁重的HPC任务只有在GPU上才具有经济可行性。
2025-07-22 cs.DC cs.PF
GPU-Accelerated Forward-Backward algorithm with Application to Lattice-Free MMI
LISN, CNRS, Université Paris-Saclay（巴黎萨克雷大学国家科学研究中心LISN实验室）；Brno University of Technology（布尔诺理工大学）
我们建议在一个特定的半环中的稀疏矩阵之间的操作来表示的向前向后算法。这种新的视角自然会导致一个GPU友好的算法，这是很容易实现的Julia或任何程序设计语言与本地支持的半环代数。我们使用这种新的实现训练TDNN与LF-MMI目标函数，我们比较了我们的系统的训练时间与PyChain -最近推出的C++/CUDA实现的LF-MMI损失。我们的实现速度约为两倍，而不必使用任何近似，如“泄漏HMM”。
2021-10-22 cs.CL cs.DC
GPU-accelerating ImageJ Macro image processing workflows using CLIJ
本章介绍ImageJ/FIJI中GPU加速的图像处理。读者应该对ImageJ宏编程有一些预先存在的知识。变量、for循环和函数等核心概念是必不可少的。本章提供了在典型的图像处理工作流中提高性能的基本准则。我们在一个分步教程中介绍了如何将预先存在的ImageJ宏转换为GPU加速的宏。
2020-08-26 cs.DC cs.MS q-bio.QM
GPU Accelerated Implicit Kinetic Meshfree Method based on Modified LU-SGS
本文提出一种基于改进LU-SGS的GPU加速隐式动力学无网格方法，通过算法微分精确计算雅可比向量乘积，在二维无粘流动测试中相比近似计算和显式求解器具有更高计算效率和更好收敛性。
2024-06-11 cs.DC cs.NA math.NA
GPU accelerated spectral finite elements on all-hex meshes
Rice University（莱斯大学）；Université catholique de Louvain, Institute of Mechanics, Materials and Civil Engineering (iMMC)（天主教鲁汶大学，力学、材料与民用工程学院）
本文提出一种高效的谱有限元方案，用于求解无结构六面体网格中的椭圆问题，采用矩阵自由预条件共轭梯度算法，并利用可扩展的多线程编程API实现GPU和CPU的动态选择。
2015-06-19 cs.CE cs.DC cs.NA
Multichannel Analysis of Surface Waves Accelerated (MASWAccelerated): Software for Efficient Surface Wave Inversion Using MPI and GPUs
多道面波分析（MASW）是岩土工程和工程物理中常用的一种技术，用于推断地下几十到几百米处地震横波速度的分层模型。我们的目标是通过利用大多数工程师工作站中可用的现代计算机硬件来加速MASW计算：多核和图形处理单元（GPU）。我们提出了新的并行和GPU加速算法来评估MASW数据，并提供使用消息传递接口（MPI）和CUDA在C中的软件实现。这些算法利用了问题中出现的稀疏性，并且进程之间的工作平衡考虑了典型的数据趋势。我们将我们的方法与现有的开源Matlab MASW工具进行比较。我们的串行C实现实现了Matlab软件的2倍加速，我们继续看到通过MPI并行化问题的改进。我们看到几乎完美的强和弱缩放均匀的数据，并提高现实数据的强缩放重新划分的问题，以处理映射。通过利用大多数现代工作站上的GPU，我们观察到一个额外的1.3倍的加速比串行C实现的第一次使用的方法。作为优化过程的一部分，我们通常会反复评估理论色散曲线，并且可以在GPU上缓存内核，以便在以后的运行中更快地重用。与串行C运行相比，我们观察到缓存GPU运行的3.2倍加速。这项工作是第一个开源的并行或GPU加速的软件工具，MASW成像，并应使岩土工程师充分利用所有的计算机硬件在他们的处置。
2020-03-04 cs.CE cs.DC cs.NA
GPUTOK: GPU Accelerated Byte Level BPE Tokenization
New York University（纽约大学）
GPUTOK提出基于GPU的字节级BPE分词器，通过优化算法和内存管理，显著提升分词速度，同时保持输出质量，适用于长上下文推理任务。
2026-03-03 cs.AI cs.CL cs.DC
A GPU Accelerated Discontinuous Galerkin Incompressible Flow Solver
Virginia Tech（弗吉尼亚理工大学）
本文提出一种基于GPU的高阶不连续伽辽金离散化方法，用于求解非稳态不可压缩纳维-斯托克斯方程，采用半隐式方案处理非线性项，结合GPU加速的多网格预置器提高效率。
2018-05-07 cs.DC cs.NA cs.PF
