Structured sparse matrix-vector multiplication on massively parallel SIMD architectures

Dehn, T.; Eiermann, Michael; Giebermann, Klaus; Sperling, V.

doi:10.1016/0167-8191(95)00055-0

Cited by 2 publications

(1 citation statement)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Эффективность распараллеливания алгоритма Ланцоша (алгоритм 2) определяется эффективностью распараллеливания процедуры умножения разреженной матрицы на вектор. Эта процедура является типовой для задач линейной алгебры, поэтому исследованию методов ее распараллеливания посвящено большое число работ [32][33][34][35][36][37][38][39][40]. Подробный обзор работ по указанной тематике представлен в [29].…”

Section: распараллеливание алгоритма ланцошаunclassified

Решение Систем Линейных Уравнений При Вычислении Логарифмов В Конечном Простом Поле

Дорофеев¹,

Dorofeev²

2012

Матем. вопр. криптогр.

View full text Add to dashboard Cite

Проведено эмпирическое исследование сложности алгоритмов решения разреженных систем линейных уравнений, которые использовались при вычислении логарифмов в конечных простых полях GF(p) для p < 10 135. Ключевые слова: дискретные логарифмы, решето числового поля, разреженные системы линейных уравнений, структурированное гауссово исключение, алгоритм Ланцоша, параллельные вычисления Solving systems of linear equations arising in the computation of logarithms in a finite prime field

show abstract

Section: распараллеливание алгоритма ланцошаunclassified

Решение Систем Линейных Уравнений При Вычислении Логарифмов В Конечном Простом Поле

Дорофеев¹,

Dorofeev²

2012

Матем. вопр. криптогр.

View full text Add to dashboard Cite

show abstract

Lower bounds for sparse matrix vector multiplication on hypercubic networks

Manzini

1998

Discrete Mathematics &Amp; Theoretical Computer Science

View full text Add to dashboard Cite

International audience In this paper we consider the problem of computing on a local memory machine the product y = Ax,where A is a random n×n sparse matrix with Θ (n) nonzero elements. To study the average case communication cost of this problem, we introduce four different probability measures on the set of sparse matrices. We prove that on most local memory machines with p processors, this computation requires Ω ((n/p) \log p) time on the average. We prove that the same lower bound also holds, in the worst case, for matrices with only 2n or 3n nonzero elements.

show abstract

Structured sparse matrix-vector multiplication on massively parallel SIMD architectures

Cited by 2 publications

References 10 publications

Решение Систем Линейных Уравнений При Вычислении Логарифмов В Конечном Простом Поле

Решение Систем Линейных Уравнений При Вычислении Логарифмов В Конечном Простом Поле

Lower bounds for sparse matrix vector multiplication on hypercubic networks

Contact Info

Product

Resources

About