Stream-K Optimization and Exploration

我们探讨了Stream-K算法的优化选项，这是一种以工作为中心的矩阵乘法（GEMM）并行化方法。在我们的研究中，我们调查了理论和实际实现之间的差异，特别是注意到填充的影响。我们的调试工作揭示了一个与块映射相关的持久性错误，我们无法完全解决，但我们成功地实现了一些优化。将M、N和K维度的填充设置为零，平均提高了0.6%的性能，达到1.44毫秒，89.37 TFlops和66.91 GB/s。然而，调整块大小和参数导致进程卡住，表明需要进一步调整。此外，探索Block2Time的潜力凸显了它在增强运行时预测和优化负载平衡方面的优势。

优化Stream-K算法的性能表现，解决其中的问题和bug

通过调整padding和block size等参数来优化算法性能，同时探索Block2Time的潜力

实验结果显示将padding设置为0可以提高0.6%的性能表现，但调整block size和参数会导致算法陷入困境，需要进一步调整。同时，Block2Time显示出很大的优化潜力。

没有提及其他相关研究。