Improving GPU Matrix Multiplication by Leveraging Bit Level Granularity and Compression

Publikation: Beitrag in Buch/Konferenzbericht/Sammelband/Gutachten › Beitrag in Konferenzband › Beigetragen › Begutachtung

Beitragende

Abstract

In this paper, we introduce BEAM as a novel approach to perform GPU based matrix multiplication on compressed elements. BEAM allows flexible handling of bit sizes for both input and output elements. First evaluations show promising speedups compared to an uncompressed state-of-the-art matrix multiplication algorithm provided by Nvidia.

Details

OriginalspracheEnglisch
TitelDatenbanksysteme fur Business, Technologie und Web, BTW 2023
Redakteure/-innenBirgitta Konig-Ries, Stefanie Scherzinger, Wolfgang Lehner, Gottfried Vossen
Herausgeber (Verlag)Gesellschaft fur Informatik (GI)
Seiten763-772
Seitenumfang10
ISBN (elektronisch)9783885797258
PublikationsstatusVeröffentlicht - 2023
Peer-Review-StatusJa

Publikationsreihe

ReiheLecture Notes in Informatics (LNI), Proceedings - Series of the Gesellschaft fur Informatik (GI)
BandP-331
ISSN1617-5468

(Fach-)Tagung

Titel20. Fachtagung “Datenbanksysteme für Business, Technologie und Web” des Fachbereichs “Datenbanken und Informationssysteme” (DBIS) der Gesellschaft fürInformatik (GI)
KurztitelBTW 2023
Veranstaltungsnummer20
Dauer6 - 10 März 2023
OrtTechnische Universität Dresden
StadtDresden
LandDeutschland

Externe IDs

ORCID /0000-0001-8107-2775/work/194824066

Schlagworte

ASJC Scopus Sachgebiete

Schlagwörter

  • GPU, Matrix multiplication