近日，第39届并行分布式处理国际研讨会（IEEE International Parallel & Distributed Processing Symposium，IPDPS 2025）第一轮录用结果揭晓，实验室2024级博士生董雨康（导师蒋文斌教授）的论文“BRP-SpMM: Block-Row Partition Based Sparse Matrix Multiplication with Tensor and CUDA Cores”被录用。

稀疏-密集矩阵乘法（Sparse-Dense Matrix Multiplication，SpMM）是多个领域中的基础计算操作，利用GPU上的张量核心（Tensor Cores）或CUDA核心加速SpMM已经成为常见的做法。虽然张量核心在密集矩阵乘法中具有显著优势，但在处理稀疏矩阵时，其效率会大幅下降。此外，CUDA核心的计算能力也不容忽视。然而，由于两者支持的存储格式不同，如何在加速SpMM时有效地同时利用这两种核心成为了一项挑战。为此，论文提出了BRP-SpMM，一种专为GPU上高效SpMM设计的块-行划分（Block-Row Partition）方法。BRP-SpMM将稀疏矩阵划分为两部分：张量核心计算的TC块（TC Block part）和CUDA核心计算的剩余行部分（Residual Row part），同时提出了一种定制的存储格式来管理这两部分。为了充分发挥这两部分的特点，进一步设计了两个独立的GPU核函数，并分别采用了负载均衡、寄存器重映射和一维平铺等先进技术。BRP-SpMM能够提高内存访问效率，并更合理地利用GPU计算资源。在NVIDIA A800 GPU上的大量实验表明，与现有方法相比，BRP-SpMM的性能提升最高可达2.9倍（平均提升2.1倍）。此外，在端到端的图神经网络（GNN）训练中，BRP-SpMM相较于现有流行框架，能够实现最高1.9倍的加速。

IPDPS是展示和讨论并行计算领域最新和重要研究成果的国际会议，也是中国计算机学会（CCF）推荐的B类会议。该会议近五年的论文录用率约为25%。

（通讯员：董雨康）