基于近似计算的GPU并行度提升方法的开题报告.docx

基于近似计算的GPU并行度提升方法的开题报告
一、选题背景
GPU并行计算已成为现代计算机领域的热门技术之一，是高性能计算最主要的手段之一。在目前的计算机领域中，一方面，科学计算和大数据处理等更为需要高计算能力的领域，迫切地需要更为高效的并行计算；另一方面，随着科技的不断发展和计算机硬件的不断升级，计算机硬件的计算能力不断提高，单节点计算能力在逐渐接近饱和的情况下，GPU并行计算成为实现高效并行计算的一种必然趋势。
GPU并行计算的发展进程中，计算复杂度、数据访问模式等方面的限制一直存在，限制了其在一些任务中的应用，但近年来，近似计算技术迅速发展，并在GPU并行计算中得到了广泛应用，提高了GPU并行计算的效率。因此，本文将会探讨如何通过近似计算方法来提升GPU并行度。
二、研究内容
本文选取现有的近似计算方法中比较经典和适合GPU并行计算的方法进行分析和实现，并研究其在GPU并行计算中的应用。具体的内容如下：
1.调研现有的近似计算方法并进行分类和比较。
2.选定具体的近似计算方法（如SpMV）进行分析和实现，并通过性能测试来证明其在GPU并行计算中的有效性。
3.探讨如何并行优化选定的近似计算方法，提高GPU并行度。
4.结合实验数据和性能分析，总结和总结本文的研究结论，并展望未来的研究方向和应用前景。
三、研究意义
本文的研究可以为应用GPU并行计算进行高效的近似计算提供思路和方法，有效提高GPU的计算性能。由此，本文的研究可以在科学计算、图像处理、机器学习等需要高性能计算的领域得到广泛应用。同时，本文的研究也可以对于近似计算的发展提供一些方法和思路，推动近似计算技术在GPU并行计算中的广泛应用。
四、研究方法
本文的研究将主要采用以下方法：
1.文献调研：对已有的近似计算方法进行调研和分类，并分析其在GPU并行计算中的应用。
2.性能测试：选定具体的近似计算方法进行实现，并通过性能测试来检验其在GPU并行计算中的有效性。
3.并行优化：探讨如何对选定的近似计算方法进行并行优化，提高GPU并行度。
4.总结分析：总结本文研究结论，并对未来研究和应用前景进行展望。
五、进度安排
本文的进度安排如下：
1.第一、二周：开题报告的撰写和提交。
2.第三、四周：对现有的近似计算方法进行调研，并进行分类和比较。
3.第五、六周：选定具体的近似计算方法，并进行分析和实现。
4.第七、八周：进行性能测试，并探讨如何并行优化这些方法。
5.第九、十周：总结并分析本文研究结论，并形成初稿。
6.第十一、十二周：对初稿进行修改和完善，并完成终稿。
六、预期成果
本文的预期成果如下：
1.调研报告：对现有的近似计算方法进行分类、比较和综述，梳理现有的研究成果。
2.实现报告：选定具体的近似计算方法进行分析和实现，并通过性能测试来检验其在GPU并行计算中的有效性。
3.研究报告：以调研报告和实现报告为基础，总结本文的研究结论，并展望未来的研究方向和应用前景。
七、参考文献
1.Zhang,Y.,Li,A.,&Zhang,Y.(2018).OCSpMV:AnoptimizedcollectiveSpMVmethodforGPUclusters.JournalofParallelandDistributedComputing,118,92-104.
2.Ding,W.,Shan,S.,Wu,M.,Liu,Y.,Liang,Y.,&Gong,Y.(2019).Efficienton-chipapproximatematrixmultiplicationonGPU.JournalofParallelandDistributedComputing,128,77-85.
3.Wu,J.,Tong,H.,Zhang,B.,Sun,Y.,&Li,J.(2018).Anautomatickernelgeneratorforefficient
SpMVonGPUs.TheJournalofSupercomputing,74(7),3244-3262.
4.Cui,W.,Liu,X.,&Luo,N.(2018).High-performancebatchedGEMMonNVIDIAGPUs.TheJournalofSupercomputing,74(11),5625-5642.
5.Kim,D.,Na,J.,&Lee,J.H.(2018).Power-LimitedAlgorithmforApproximateMatrixMultiplicationonGPGPUs.In2018IEEEInternationalParallelandDistributedProcessingSymposiumWorkshops(IPDPSW)(pp.1463-1470).IEEE.