A Systematic Literature Survey of Sparse Matrix-Vector Multiplication

稀疏矩阵向量乘法（SpMV）是迭代算法中广泛应用的关键计算核心。在过去几十年中，SpMV优化的研究取得了显著进展，产生了各种优化贡献。然而，目前还缺乏一篇全面系统的文献综述，介绍、分析、讨论和总结近年来SpMV的进展。为了填补这一空白，本文比较现有技术，分析它们的优缺点。我们首先突出了SpMV的两个代表性应用，然后对现代体系结构上优化SpMV的重要技术进行了深入概述，具体分类为经典、自动调优、机器学习和基于混合精度的优化。我们还详细阐述了基于硬件的体系结构，包括CPU、GPU、FPGA、内存处理、异构和分布式平台。我们提供了一项全面的实验评估，比较了最先进的SpMV实现的性能。根据我们的研究结果，我们确定了几个挑战，并指出了未来的研究方向。本综述旨在为研究人员提供对现代体系结构上SpMV优化的全面理解，并为未来的工作提供指导。

综述现代架构上的稀疏矩阵-向量乘法（SpMV）优化技术，比较现有技术并分析其优缺点，指出未来研究方向。

对现代架构上的SpMV优化技术进行分类，包括经典、自动调参、机器学习和混合精度优化，以及CPU、GPU、FPGA、处理内存、异构和分布式平台等硬件架构，提供了全面的实验评估和性能比较。

论文对现有的SpMV优化技术进行了全面的梳理和分类，并提出了未来研究方向。实验评估了各种技术的性能，并指出了挑战和机遇。

近期的相关研究包括：《A Survey of Sparse Matrix-Vector Multiplication on GPUs》、《Optimization Techniques for Sparse Matrix-Vector Multiplication on Emerging Multicore Platforms》等。