-
公开(公告)号：CN107168683A
公开(公告)日：2017-09-15
申请号：CN201710310445.3
申请日：2017-05-05
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
Abstract: 本发明公开了国产申威26010众核CPU上GEMM稠密矩阵乘高性能实现方法，针对国产申威众核处理器26010，并基于存储结构、访存、硬件流水线以及寄存器级通信机制等平台特性，优化矩阵分块与核间数据映射方法，设计了自顶向下的三级分块并行块矩阵乘算法，基于寄存器级通信机制设计从核计算资源数据共享方法，并利用主从核间异步DMA数据传输机制，设计了计算与访存重叠的双缓冲策略，在单个从核上，设计了循环展开策略与软件流水线排布方法，使用了高效的寄存器分块模式以及SIMD向量化乘加指令，实现函数优化。该高性能GEMM函数性能与单核开源BLAS数学库GotoBLAS相比，平均加速比为227.94，最高加速比为296.93。
-
公开(公告)号：CN106933777B
公开(公告)日：2019-03-19
申请号：CN201710150446.6
申请日：2017-03-14
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
IPC: G06F17/14
Abstract: 本发明提出一种基于国产申威26010处理器的基2一维FFT的高性能实现方法，基于国产处理器申威26010平台，设计从核内行或列寄存器通信机制、访存‑计算重叠的双缓冲机制和256位单指令流多数据流的向量化运算等多种优化技术，同时提出基于两层分解的Stockham FFT计算框架且分解规则为库利‑图基算法，设计“接口层‑主核层‑从核层‑核心层”的四层结构框架进行基2一维FFT计算，从而有效解决FFT计算的访存带宽受限问题，有效提升基2一维FFT计算性能。与开源FFTW库相比，基于本平台的基2一维FFT计算性能急剧升高，以FFT计算的每秒浮点运算次数为例，其平均加速比为34.4，最高加速比达到50.3。
-
公开(公告)号：CN106933777A
公开(公告)日：2017-07-07
申请号：CN201710150446.6
申请日：2017-03-14
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
IPC: G06F17/14
CPC classification number: G06F17/142
Abstract: 本发明提出一种基于国产申威26010处理器的基2一维FFT的高性能实现方法，基于国产处理器申威26010平台，设计从核内行或列寄存器通信机制、访存‑计算重叠的双缓冲机制和256位单指令流多数据流的向量化运算等多种优化技术，同时提出基于两层分解的Stockham FFT计算框架且分解规则为库利‑图基算法，设计“接口层‑主核层‑从核层‑核心层”的四层结构框架进行基2一维FFT计算，从而有效解决FFT计算的访存带宽受限问题，有效提升基2一维FFT计算性能。与开源FFTW库相比，基于本平台的基2一维FFT计算性能急剧升高，以FFT计算的每秒浮点运算次数为例，其平均加速比为34.4，最高加速比达到50.3。
-
公开(公告)号：CN107168683B
公开(公告)日：2020-06-09
申请号：CN201710310445.3
申请日：2017-05-05
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
Abstract: 本发明公开了申威26010众核CPU上GEMM稠密矩阵乘高性能实现方法，针对申威众核处理器26010，并基于存储结构、访存、硬件流水线以及寄存器级通信机制等平台特性，优化矩阵分块与核间数据映射方法，设计了自顶向下的三级分块并行块矩阵乘算法，基于寄存器级通信机制设计从核计算资源数据共享方法，并利用主从核间异步DMA数据传输机制，设计了计算与访存重叠的双缓冲策略，在单个从核上，设计了循环展开策略与软件流水线排布方法，使用了高效的寄存器分块模式以及SIMD向量化乘加指令，实现函数优化。该高性能GEMM函数性能与单核开源BLAS数学库GotoBLAS相比，平均加速比为227.94，最高加速比为296.93。
-
公开(公告)号：CN107273094B
公开(公告)日：2020-06-16
申请号：CN201710353362.2
申请日：2017-05-18
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
Abstract: 本发明公开了一种适应于“神威·太湖之光”上HPCG优化的数据结构及其高效实现方法，基于“神威·太湖之光”上的申威众核处理器体系结构特征和HPCG算法优化的需要，使用了改进ELL格式的数据结构对原始数据结构进行替换，除了包含矩阵数据本身的数据结构，还支持分块着色，索引转换，进程通信，以及向量位置映射等相关的数据结构，并且中间处理过程采用了申威众核平台提供的Athread多线程库进行并行，最终应用于HPCG算法的核心函数SpMV和SymGS优化过程中，相应的性能和带宽百分比取得了一致性的加速比，最高分别为18.2和17.6。
-
Patent Agency Ranking
公开(公告)号：CN107273094A
公开(公告)日：2017-10-20
申请号：CN201710353362.2
申请日：2017-05-18
Applicant: 中国科学院软件研究所 , 无锡江南计算技术研究所
Abstract: 本发明公开了一种适应于“神威·太湖之光”上HPCG优化的数据结构及其高效实现方法，基于“神威·太湖之光”上的申威众核处理器体系结构特征和HPCG算法优化的需要，使用了改进ELL格式的数据结构对原始数据结构进行替换，除了包含矩阵数据本身的数据结构，还支持分块着色，索引转换，进程通信，以及向量位置映射等相关的数据结构，并且中间处理过程采用了申威众核平台提供的Athread多线程库进行并行，最终应用于HPCG算法的核心函数SpMV和SymGS优化过程中，相应的性能和带宽百分比取得了一致性的加速比，最高分别为18.2和17.6。
-
公开(公告)号：CN113849771B
公开(公告)日：2025-02-18
申请号：CN202111192491.0
申请日：2021-10-13
Applicant: 中国科学院软件研究所
Abstract: 本发明公开了一种面向SW39000处理器的稠密矩阵乘法的高性能实现方法，包括：在主内存级别分别对非转置矩阵A、非转置矩阵B与问题矩阵C进行任务分块，产生若干的子矩阵δAil、子矩阵δBlj与子矩阵δCij；当子矩阵δCij更新时，在从核阵列的LDM级别分别对子矩阵δCij、子矩阵δAil及子矩阵δBlj进行任务分块，将产生的子块εCuv、子块εAuw及子块εBwv映射至相应的从核；将子矩阵δAil的第t个列块与子矩阵δBlj的第t个行块相乘，生成矩阵δCt；基于子矩阵δCij与各矩阵δCt，更新主内存中的子矩阵δCij，以得到问题矩阵C的输出结果。本发明通过在主内存、从核的LDM以及寄存器上的合理数据布局，充分挖掘从核阵列的并行计算能力，使用了三重缓冲技术隐藏了DMA访存开销和RMA通信开销，使用了指令重排技术提高了GEMM的浮点计算效率。
-
公开(公告)号：CN113297537A
公开(公告)日：2021-08-24
申请号：CN202110623380.4
申请日：2021-06-04
Applicant: 中国科学院软件研究所
Abstract: 本发明公开一种面向GPU平台的稀疏结构化三角方程组求解的高性能实现方法和装置。本发明针对结构化问题的特点提出了一种改进的线程资源分配策略，有效改善了现有方法资源分配不均衡的问题。本发明还结合当今主流商用GPU的架构特点，利用硬件谓词执行等一系列手段，提供一套该算法的高效实现方法。本发明提供的算法框架处理规则结构化问题的性能大幅优于目前商用以及尚处研究阶段的框架。
-
公开(公告)号：CN110942504B
公开(公告)日：2021-07-27
申请号：CN201911047165.3
申请日：2019-10-30
Applicant: 中国科学院软件研究所
IPC: G06T15/00
Abstract: 本发明公开一种众核平台上面向规则网格问题的结构化着色方法，包括如下步骤：步骤一、依赖特性分析：对按照stencil模板格式生成的计算问题中的各计算任务之间的依赖特性进行分析，包括依赖传递特性分析和强弱依赖方向分析；步骤二、参数搜索：根据依赖特性分析结果，使用四种参数搜索模式进行最优的着色规则参数搜索；步骤三、计算任务划分：根据最优的着色规则参数为每个计算任务着色，并将相同颜色的计算任务分为一组，不同颜色的计算任务分为不同组，总的颜色数即为计算任务的总的划分组数，完成计算任务的划分；本发明保证了在相同颜色数的限制下，保留更多的核心依赖关系，从而有效减少了计算的整体迭代次数，并提高了着色质量。
-
公开(公告)号：CN105653239B
公开(公告)日：2018-06-22
申请号：CN201510996000.6
申请日：2015-12-25
Applicant: 中国科学院软件研究所
IPC: G06F7/53
Abstract: 本发明公开了一种大整数乘法Karatsuba算法的并行实现方法，基于64位无符号长整型整数操作，通过巧妙的公式转换技巧，指针运算以及存储方式，以解决部分积存储与计算的相关性问题，通过OpenMP多线程编程，采用section任务分担策略将算法进行并行化，从而开启8个线程在递归程序的第一层并行求取8个部分积，每个section负责一个部分积的计算任务，待部分积均求取完毕后进行串行归并，从而并行化Karatsuba算法，提高算法效率。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.075 seconds)
