MatRaptor: Um Acelerador de Multiplicação de Matrizes Esparsas-Esparsas Baseado em Produto por Linha

A multiplicação de matrizes esparsas-esparsas (SpGEMM) é um núcleo de computação amplamente utilizado em diversos domínios de aplicação, como análise de dados, processamento de grafos e computação científica. Neste trabalho, propomos o MatRaptor, um novo acelerador de SpGEMM que é de alto desempenho e altamente eficiente em termos de recursos. Diferente dos métodos convencionais que utilizam produto interno ou externo como a operação meta para multiplicação de matrizes, nossa abordagem é baseada em produto por linha, que oferece um melhor equilíbrio em termos de reutilização de dados e requisitos de memória em chip, alcançando um desempenho superior para grandes matrizes esparsas. Além disso, propomos um novo formato de armazenamento esparso amigável ao hardware, que permite que motores de computação paralela acessem os dados esparsos de forma vetorizada e em streaming, levando a uma alta utilização da largura de banda da memória. Prototipamos e simulamos nossa arquitetura de acelerador usando gem5 em um conjunto diversificado de matrizes. Nossos experimentos mostram que o MatRaptor alcança um aumento de 129,2× em relação a uma CPU de thread única, 8,8× em relação a uma GPU e 1,8× em relação ao acelerador de SpGEMM de estado da arte (OuterSPACE). O MatRaptor também apresenta um consumo de energia 7,2× menor e uma área 31,3× menor em comparação com o OuterSPACE.