Алгоритми та методи сингулярного розкладу матриць на графічних процесорах з CUDA
Loading...
Date
2024
Authors
Сухарський, Сергій
Journal Title
Journal ISSN
Volume Title
Publisher
Національний університет "Києво-Могилянська академія"
Abstract
Матеріали доповiді учасника 15 міжнародної науково-практичної конференції "Теоретичні та прикладні аспекти побудови програмних систем", Київ, 23-24 грудня 2024 р.
Description
Singular Value Decomposition (SVD) is a fundamental tool in linear algebra with a wide range of applications, including data processing and machine learning. With the advancement of Graphics Processing Units (GPUs), optimizing computational methods for SVD has become a pressing task. This study introduces new approaches to bidiagonalization and diagonalization of matrices using Householder transformations and Givens rotations, effectively leveraging GPU capabilities. Developed algorithms demonstrate high speed and accuracy while minimizing memory usage. Experiments revealed that proposed bidiagonalization algorithm works quite well, while optimizing diagonalization by reducing block synchronization delays is the main challenge. Future work will focus on improving these aspects to enhance performance on large matrices.
Keywords
сингулярний розклад (SVD), дивергенція потоків, масштабування, матеріали конференції
Citation
Сухарський С. С. Алгоритми та методи сингулярного розкладу матриць на графічних процесорах з CUDA / Сухарський С. С. // Теоретичні та прикладні аспекти побудови програмних систем : працi 15 міжнародної науково-практичної конференції, Київ, 23-24 грудня 2024 р. / [за заг. ред.: М. М. Глибовця, Т. В. Панченка та iн. ; Факультет інформатики Національного університету "Києво-Могилянська академія" та ін.]. - Київ : НаУКМА, 2024. - C. 63-65.