近日，2024级博士生董雨康（导师蒋文斌教授）的论文“BlockSmith: Ultra-dense Block Transformation for Efficient Sparse Matrix Multiplication Using Tensor Cores”被ACM Transactions on Architecture and Code Optimization（TACO）期刊录用。

稀疏—密集矩阵乘法（Sparse-dense Matrix Multiplication, SpMM）是众多领域中的核心算子。近年来，研究者尝试通过行重排序等预处理方法提升GPU张量核心上的SpMM性能。然而，现有重排序方法通常未能充分适配张量核心的块状执行特性，因而难以形成高质量的稠密计算块，限制了整体加速效果。针对这一挑战，论文提出BlockSmith框架，围绕“将稀疏矩阵锻造成高密度计算块”这一核心思想，构建了一套面向张量核心的端到端SpMM优化方案。首先，论文发现在稀疏矩阵行重排序过程中，相似度计算宽度会同时影响重排序效果与预处理效率，并非宽度越小越优。基于这一观察，论文提出Ultra-dense Block Transformation（UBT）预处理方法，通过自适应相似度宽度计算和GPU加速的迭代聚类，在提升数据局部性和分块密度的同时显著降低预处理开销。实验结果表明，BlockSmith在383个SuiteSparse稀疏矩阵上，相较当前先进方法取得了平均4.35×、最高超过100×的加速效果，展现出优异的整体性能。

ACM Transactions on Architecture and Code Optimization（TACO）是计算机系统结构和编译领域最权威的国际学术期刊之一，也是中国计算机学会CCF A类期刊。

（通讯员：董雨康）