利用GPU张量核进行双精度欧几里得距离计算

张量核（TCs）是一种专用集成电路（ASIC），是近期加入图形处理单元（GPU）架构的组件。因此，TCs 专为大幅提升矩阵乘加（MMA）操作性能而设计。尽管 TCs 在机器学习及密切相关领域中被广泛研究且高效性毋庸置疑，但 MMA 操作并非这些领域独有。更一般地，任何可表达为 MMA 操作的计算都可利用 TCs，并可能受益于相较其他通用核（如 Nvidia GPU 上的 CUDA 核）更高的计算吞吐。在本文中，我们提出了首个双精度（FP64）欧几里得距离计算算法，其表达为 MMA 操作以利用 Nvidia GPU 上的 TCs，而非更常用的 CUDA 核。为展示欧几里得距离可在真实应用中加速，我们在距离相似自连接问题上评估了所提 TC 算法，因为该算法计算最密集的部分在于多维空间中的距离计算。我们发现，使用张量核算法相对 CUDA 核算法的性能增益弱依赖于数据集大小与分布，但强依赖于数据维度。总体而言，TCs 是 CUDA 核的有力替代方案，尤其在数据维度较低（$\leq{4}$）时，因为相较最先进的 GPU 距离相似自连接算法，我们实现了平均 $1.28\times$ 以及最高 $2.23\times$ 的加速。此外，由于本文是最早探索 TCs 用于 FP64 通用计算的工作之一，未来研究前景广阔。