Although parallelizing sparse appro

Although parallelizing sparse approximate inverse pre-
conditioners on more than one processor has been exten-
sively studied in previous work which succeeded to enhance
the execution speed of such preconditioners considerably,
few works have studied the possibility of accelerating
these preconditioners on multi/many core architectures.
Gravvanis et al. [14], [15] attempt to accelerate a SAI
preconditioned BiCGStab iterative solver on Intel multicore
architecture by allocating the computation of each iteration
of the iterative solver to a different thread; implementation
details on how to accelerate the preconditioner computation
on a multicore are not presented in this work. Xu et al. [16]
accelerate factorized SAI on NVIDIA GPUs. The paper
mainly describes how to accelerate the sparse matrix vector
multiplication kernel (SpMV) in the iterative solver but
details for computing the SAI preconditioner have not been

ผลลัพธ์ (ไทย) 1:

แม้ว่า parallelizing ห่างผกผันโดยประมาณก่อนมีการปรับในตัวประมวลผลมากกว่าหนึ่ง exten-ซึ่งแตกต่างในการทำงานก่อนหน้าซึ่งสำเร็จการศึกษาการดำเนินการของ preconditioners ดังกล่าวเร็วมากบางงานมีศึกษาความเป็นไปได้ของการเร่งเหล่านี้ preconditioners บนสถาปัตยกรรมหลาย/หลายหลักGravvanis et al. [14], [15] พยายามเร่งเป็นทรายpreconditioned BiCGStab iterative solver บน Intel multicoreสถาปัตยกรรม โดยการปันส่วนการคำนวณแผนของ solver ซ้ำกับเธรดอื่น การใช้งานรายละเอียดการคำนวณ preconditioner เร่งในแบบ multicore จะไม่แสดงในงานนี้ Xu et al. [16]เร่ง factorized ทรายบน NVIDIA GPUs กระดาษอธิบายวิธีการเร่งเวกเตอร์เมทริกซ์เบาบางส่วนใหญ่เคอร์เนลคูณ (SpMV) ใน solver ซ้ำ แต่รายละเอียดสำหรับคอมพิวเตอร์ preconditioner ทรายไม่ได้

ผลลัพธ์ (ไทย) 2:

แม้ว่า parallelizing เบาบางผกผันตัวอย่างก่อน
เครื่องมากกว่าหนึ่งหน่วยประมวลผลได้รับการหัวเรื่อง
ศึกษา sively ในการทำงานก่อนหน้านี้ซึ่งประสบความสำเร็จเพื่อเพิ่ม
ความเร็วในการดำเนินการของ preconditioners ดังกล่าวอย่างมาก
ไม่กี่งานมีการศึกษาความเป็นไปได้ของการเร่งการ
preconditioners เหล่านี้ในหลาย / สถาปัตยกรรมหลักจำนวนมาก .
Gravvanis et al, [14] [15] ความพยายามที่จะเร่ง SAI
preconditioned BiCGStab แก้ซ้ำบนมัลติคอร์ Intel
สถาปัตยกรรมโดยการจัดสรรคำนวณซ้ำแต่ละ
ของ Solver ซ้ำไปด้ายที่แตกต่างกัน การดำเนินงาน
รายละเอียดเกี่ยวกับวิธีการที่จะเร่งการคำนวณ preconditioner
บนมัลติคอร์จะไม่ถูกนำเสนอในงานนี้ Xu et al, [16]
เร่ง SAI factorized บน NVIDIA GPUs กระดาษ
ส่วนใหญ่อธิบายวิธีการเร่งเบาบางเมทริกซ์เวกเตอร์
คูณเคอร์เนล (SpMV) ในการแก้ซ้ำ แต่
รายละเอียดสำหรับการคำนวณ preconditioner SAI ยังไม่ได้รับ

ผลลัพธ์ (ไทย) 3:

แม้ว่า parallelizing เบาบางโดยประมาณผกผัน ก่อนปรับอากาศในการประมวลผลมากกว่าหนึ่งได้รับ EXTEN -sively เรียนก่อนทำงานที่ประสบความสำเร็จ เพื่อเพิ่มตามความเร็วของ preconditioners ดังกล่าวมากทำงานไม่กี่ได้ศึกษาความเป็นไปได้ของการเร่งpreconditioners เหล่านี้ในหลายหลาย / หลักสถาปัตยกรรม .gravvanis et al . [ 14 ] , [ 15 ] พยายามเร่งความเร็วของไทรpreconditioned bicgstab แก้ซ้ำบน Intel multicoreสถาปัตยกรรมโดยจัดสรรการคำนวณของแต่ละซ้ำของแก้ซ้ำในหัวข้อที่แตกต่างกัน การนำหลักสูตรไปใช้รายละเอียดในการเร่ง preconditioner การคำนวณใน multicore ไม่ได้แสดงในงานนี้ Xu et al . [ 16 ]เร่งปัจจัยไทรบน NVIDIA GPUs . กระดาษส่วนใหญ่อธิบายวิธีการเร่งเวกเตอร์เมตริกซ์หร็อมแหร็มการคูณเคอร์เนล ( spmv ) แก้ซ้ำแต่รายละเอียดการคำนวณไทร preconditioner ไม่ได้