GPU acceleration of matrix factorization

Bc. Jan Priessnitz

Bakalářská práce

Anotace:

QR faktorizace matic je důležitý, ale výpočetně náročný krok v mnoha vědeckých i jiných kalkulacích. To z něj dělá zajímavý problém pro akceleraci na grafických kartách. Výsledkem této práce je CUDA implementace QR faktorizace, která je pro některé velikosti vstupních matic rychlejší než moderní implementace z knihovny cuSolver od společnosti Nvidia. Nárůst rychlosti je obzvlášť patrný pro vysoce asymetrické matice. Důležitým krokem vedoucím ke zvýšení rychlosti byl autotuning implementace pomocí Kernel Tuning Toolkitu.

Abstract:

QR matrix factorization is an important but computationally complex step in many scientific and other calculations, making it an interesting problem to accelerate using GPUs. The result of this thesis is a CUDA GPU implementation of QR factorization, which, for some matrix sizes, performs better than the state-of-the-art implementation in Nvidia's cuSolver library. The speedup is particularly significant for highly overdetermined matrices. Autotuning the implementation using Kernel Tuning Toolkit significantly contributed to the improved performance.

Keywords

GPU acceleration, QR factorization, least-squares problem, CUDA, autotuning, Kernel Tuning Toolkit

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 1. 6. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 27. 6. 2022
• Vedoucí: RNDr. Jiří Filipovič, Ph.D.
• Oponent: Mgr. Filip Petrovič

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Paralelní a distribuované systémy