Базовые библиотеки линейной алгебры для высокопроизводительных расчетов

  • Иван [Ivan] Сергеевич [S.] Кружилов [Kruzhilov]
  • Михаил [Mikhail] Борисович [B.] Кузьминский [Kuzminsky]
  • Андрей [Andrey] Михайлович [M.] Чернецов [Chernetsov]
  • Ольга [Olga] Юрьевна [Yu.] Шамаева [Shamayeva]
Ключевые слова: библиотеки линейной алгебры, HPC-вычисления, BLAS, ScaLapack, MAGMA, MKL, ELPA, PLASMA

Аннотация

Рассмотрены библиотеки линейной алгебры (BLAS, LAPACK, ScaLAPACK, MKL, ATLAS и др), поддерживающие высокопроизводительные вычисления на современных архитектурах и использующиеся как в известных тестах оценки производительности, так и в различных приложениях. В большинстве приложений наиболее трудоемкие стадии вычислений реализуются путем вызова подпрограмм из подобных библиотек, поэтому актуальным является оптимальный выбор библиотеки для организации расчетов. Основная цель представленного обзора — описание «инвариантных» характеристик библиотек для достижения высокой производительности приложений. Приведен краткий обзор HPC-вычислений в различных областях знаний. Предложена классификация библиотек линейной алгебры с точки зрения их функциональности и используемых высокопроизводительных архитектур. Рассмотрена базовая низкоуровневая библиотека BLAS, реализованная для всех HPC-архитектур. Указано, что библиотека BLAS поддерживает распараллеливание на системах с общим полем памяти, для чего применяются средства, такие как OpenMP или OpenACC, а для систем с распределенной памятью используется параллельный вариант PBLAS, поддерживающий обмен сообщениями между узлами с помощью стандарта MPI. Описаны библиотеки более высокого уровня, основанные на BLAS, например, библиотека LAPACK, содержащая большой набор разных программ для линейной алгебры. Представлены библиотека Scalapack для модели распределенной памяти, основанная на LAPACK и PBLAS, и ее современное развитие — библиотека Intel MKL. Для поддержки эффективного функционирования гибридных систем анализируются принципиально новые библиотеки — MAGMA и PLASMA, особенностью которых является оптимизация линейно-алгебраических расчетов небольшой размерности. Рассмотрены библиотеки, поддерживающие решение задач на собственные значения, такие как EISPACK, PeIGS и ряд других. Указано, что в новой библиотеке ELPA, ориентированной на суперкомпьютеры, могут использоваться как средства OpenMP, так и MPI. Отмечено, что операции над разреженными матрицами, особенно умножение матриц, весьма актуальны для многих прикладных областей науки, при этом базовым стандартом для них можно считать библиотеку Sparse BLAS. Сделан вывод о том, что оптимальный выбор библиотеки существенно зависит как от конкретного приложения, так и от используемой вычислительной архитектуры.

Сведения об авторах

Иван [Ivan] Сергеевич [S.] Кружилов [Kruzhilov]

Учёная степень:

кандидат технических наук

Место работы

кафедра Прикладной математики НИУ «МЭИ»

Должность

доцент

Михаил [Mikhail] Борисович [B.] Кузьминский [Kuzminsky]

Учёная степень:

кандидат химических наук

Место работы

Институт органической химии им. Н.Д. Зелинского РАН

Должность

старший научный сотрудник

Андрей [Andrey] Михайлович [M.] Чернецов [Chernetsov]

Учёная степень:

кандидат технических наук

Место работы

кафедра Прикладной математики НИУ «МЭИ»; Вычислительный центр им. А.А. Дородницына ФИЦ ИУ РАН

Должность

доцент; научный сотрудник

Ольга [Olga] Юрьевна [Yu.] Шамаева [Shamayeva]

Учёная степень:

кандидат технических наук

Место работы

кафедра Прикладной математики НИУ «МЭИ»

Должность

доцент

Литература

1. Hopkins B.W. Chemistry in Parallel Computing [Электрон. ресурс] http://studylib.net/doc/9480097/parallel-computing-in-chemistry (дата обращения 17.10.2017).

2. Annual Rep. Swiss National Supercomputing Centre (CSCS) [Офиц. сайт] http://www.cscs.ch/uploads/ tx_factsheet/Annual_Report_2014.pdf (дата обращения 16.10.2017).

3. High Research Computing Center in Moscow State University [Офиц. сайт] http://hpc.msu.ru/?q=apps (дата обращения 17.09.2017).

4. Luszczek P., Kurzak J., Dongarra J. Looking Back at Dense Linear Algebra Software // J. Parallel and Distributed Comp. 2014. V. 74. No. 7. Pp. 2548—2560.

5. Список TOP500 [Офиц. сайт] http://www.top500. org (дата обращения 10.10.2017).

6. Basic Linear Algebra Subprograms BLAS [Офиц. сайт] http://www.netlib.org/blas/ (дата обращения 10.10.2017).

7. Список TOP500 [Офиц. сайт] http://www.top500. org (дата обращения 10.10.2017).

8. Scalable Linear Algebra PACKage SCALAPACK [Офиц. сайт] http://www.netlib.org/scalapack/ (дата обращения 10.10.2017).

9. Математическая библиотека MKL [Офиц. сайт] https://software.intel.com/en-us/intel-mkl (дата обращения 10.10.2017).

10. Automatically Tuned Linear Algebra Software а ATLAS [Офиц. сайт] http://math-atlas.sourceforge.net (дата обращения 10.10.2017).

11.OpenMP [Офиц. сайт] http://openmp.org (дата обращения 15.10.2017).

12. MPI Forum [Офиц. сайт] http://www.mpi-forum. org/docs/ (дата обращения 15.10.2017).

13. Niklasson A.M.N. Density Matrix Methods in Linear Scaling Electronic Structure Theory // LinearScaling Techniques in Computational Chemistry and Phys. Springer Netherlands, 2011. Pp. 439—473.

14.OpenACC [Офиц. сайт] https://www.openacc. org/ (дата обращения 15.10.2017).

15. Описание стандарта OpenCL[Офиц. сайт] https:// www.khronos.org/opencl/ (дата обращения 15.10.2017).

16. Dongarra J. e. a. Parallel Programming Models for Dense Linear Algebra on Heterogeneous Systems // Supercomputing Frontiers and Innovations. 2016. V. 2. No. 4. Pp. 67—86.

17. Описание библиотеки GlobalArrays [Офиц. сайт] http://hpc.pnl.gov/globalarrays/ (дата обращения 15.10.2017).

18. PGAS [Офиц. сайт] http://www.pgas.org/ (дата обращения 24.10.2017).

19. Krishnan M., Nieplocha J. SRUMMA: a Matrix Multiplication Algorithm Suitable for Clusters and Scalable-Shared Memory Systems // Proc. 18 Intern. Symp. Parallel and Distributed Proc. 2004. P. 70.

20. YarKhan A. e. a. Porting the PLASMA Numerical Library to the OpenMP Standard // Intern. J. Parallel Programming. 2017. V. 45. No. 3. Pp. 612—633.

21. AMD Developer Central [Офиц. сайт] http:// developer.amd.com/tools-and-sdks/archive/acml-archivedownloads/ (дата обращения 10.10.2017).

22. High-Performance BLAS by Kazushige Goto [Офиц. сайт] http://www.cs.utexas.edu/users/flame/goto/ signup_first.html (дата обращения 10.10.2017).

23. GOTOBLAS2 [Офиц. сайт] https://www.tacc. utexas.edu/research-development/tacc-software/gotoblas2 (дата обращения 10.10.2017).

24. Документация математической библиотеки OpenBLAS [Офиц. сайт] https://github.com/xianyi/ OpenBLAS/wiki (дата обращения 10.10.2017).

25. OpenBLAS [Офиц. сайт] http://www.openblas. net/ (дата обращения 10.10.2017).

26. Naveen G.V. Accelerating Deep Learning and Machine Learning to a New Level // CMG — Computer Measurement Group India [Электрон. ресурс] http://www. cmgindia.org/wp-content/uploads/2016/12/Intel_CMG_ India_Keynote_2016.pdf (дата обращения 10.10.2017).

27. Intel Math Kernel Library [Электрон. ресурс] https://software.intel.com/sites/default/files/managed/ e0/9d/mkl-11.3.2-developer-reference-fortran_0.pdf (дата обращения 10.10.2017).

28. Quintero D. e. a. High-Performance Computing Guide // IBM Redbooks [Электрон. ресурс] http://www. redbooks.ibm.com/redbooks/pdfs/sg10371.pdf (дата обращения 01.09.2017).

29. cuBLAS [Электрон. ресурс] http://docs.nvidia. com/cuda/cublas/index.html (дата обращения 10.10.2017).

30. Kurzak J. e. a. Designing SLATE: Software for Linear Algebra Targeting Exascale // Innovative Computing Laboratory [Электрон. ресурс] http://www.icl. utk.edu/files/publications/2017/icl-utk-980-2017.pdf (дата обращения 15.10.2017).

31. Воеводин В.В., Воеводин В.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002.

32. MAGMA [Электрон. ресурс] https://developer. nvidia.com/magma (дата обращения 10.10.2017).

33.PLASMA [Электрон. ресурс] http://icl.cs.utk.edu/ plasma/ (дата обращения 10.10.2017).

34. Agullo E. e. a. Numerical Linear Algebra on Emerging Architectures: The PLASMA and MAGMA projects // J. Physics. 2009. V. 180. No. 1. P. 012037.

35. MAGMA [Электрон. ресурс] http://icl.cs.utk.edu/ magma/ (дата обращения 10.10.2017).

36. Intel Developer Zone [Офиц. сайт] https:// software.intel.com/sites (дата обращения 10.10.2017).

37. Dongarra J. e. a. Accelerating Numerical Dense Linear Algebra Calculations with GPUs // Numerical Computations with GPUs. Springer Intern. Publ., 2014. Pp. 3—28.

38. CLSPARSE [Электрон. ресурс] http://gpuopen. com/compute-product/clsparse/ (дата обращения 10.10.2017).

39. Перечень математических библиотек [Электрон. ресурс] http://www.nvidia.ru/object/teslagpu-accelerated-libraries-ru.html (дата обращения 10.10.2017).

40. EISPACK [Электрон. ресурс] http://www.netlib. org/eispack/ (дата обращения 15.10.2017).

41.PEIGS [Электрон. ресурс] http://hpc.pnl.gov/ globalarrays/peigs.shtml (дата обращения 15.10.2017).

42. Global Arrays [Электрон. ресурс] http://hpc.pnl. gov/globalarrays/ (дата обращения 23.10.2017).

43. Kendall R. A. e. a. High Performance Computational Chemistry: an Overview of NWChem a Distributed Parallel Application // Computer Phys. Communications. 2000. V. 128. No. 1—2. Pp. 260—283.

44. Sunderland A.G., Breitmoser E.Y. An Overview of Eigensolvers for HPCx // Complexity. 2003. V. 2. Pp. 3—12.

45. Hammarling S. New Developments in LAPACK and ScaLAPACK [Электрон. ресурс] http://www.maths. bath.ac.uk/~masrs/ma50177/pdfs/bath-25apr07.pdf (дата обращения 15.10.2017).

46. Sparse Matrix Storage Formats for Sparse BLAS Routines [Электрон. ресурс] https://software.intel.com/enus/mkl-developer-reference-c-sparse-matrix-storage-formatsfor-sparse-blas-routines (дата обращения 15.10.2017).

47. Introduction to the Intel MKL Extended Eigensolver [Электрон. ресурс] https://software.intel.com/ en-us/articles/introduction-to-the-intel-mkl-extendedeigensolver (дата обращения 15.10.2017).

48. ELPA [Офиц. сайт] https://elpa.mpcdf.mpg.de/ (дата обращения 15.10.2017).

49. Marek A. The ELPA Library — Scalable Parallel Eigenvalue Solutions for Electronic Structure Theory and Computational Science // J. Physics. 2014. V. 26. P. 213201.

50. Bock N., Challacombe M. An Optimized Sparse Approximate Matrix Multiply // CoRR. 2012. Pp. 1—16.

51. Bock N., Challacombe M. An Optimized Sparse Approximate Matrix Multiply for Matrices With Decay // SIAM J. Scientific Comp. 2013. V. 35. No. 1. Pp. 72—98.

52. Sparse BLAS [Электрон. ресурс] http://www. netlib.org/sparse-blas/ (дата обращения 10.10.2017).

53. Borstnik U. e. a. Sparse Matrix Multiplication: the Distributed Block-compressed Sparse Row Library // Parallel Comp. 2014. V. 40. No. 5. Pp. 47—58.

54. Greathouse J.L. e. a. clSPARSE: a Vendoroptimized Open-source Sparse BLAS Library // Proc. IV Intern. Workshop on OpenCL. 2016. P. 7.

55. Piccolo A., Soodla J. Performance of Parallel Sparse Matrix-matrixmultiplication // SCRIBD [Электрон. ресурс] http://www.diva-portal.org/smash/get/diva2:821031/ FULLTEXT01.pdf (дата обращения 15.10.2017).

56. Rubensson E.H., Rudberg E. Locality-aware Parallel Block-sparse Matrix-matrix Multiplication Using the Chunks and Tasks Programming Model // Parallel Computing. Elsevier, 2016.

57. PARPACK [Электрон. ресурс] www.caam.rice. edu/~kristyn/parpack_home.html (дата обращения 15.10.2017).

58. Heinecke A. e. a. LIBXSMM: Accelerating Small Matrix Multiplications by Runtime Code Generation // Proc. High Performance Computing, Networking, Storage and Analysi Intern. Conf. 2016. Pp. 981—991.

59. Zhao Z. e. a. Performance of Hybrid MPI/OpenMP VASP on Cray XC40 Based on Intel Knights Landing Many Integrated Core Architecture [Электрон. ресурс] https:// cug.org/proceedings/cug2017_proceedings/includes/files/ pap134s2-file1.pdf (дата обращения 10.10.2017).
---
Для цитирования: Кружилов И.С., Кузьминский М.Б., Чернецов А.М., Шамаева О.Ю. Базовые библиотеки линейной алгебры для высокопроизводительных расчетов // Вестник МЭИ. 2018. № 6. С. 87—95. DOI: 10.24160/1993-6982-2018-6-87-95.
#
1. Hopkins B.W. Chemistry in Parallel Computing [Elektron. Resurs] http://studylib.net/doc/9480097/parallelcomputing-in-chemistry (Data Obrashcheniya 17.10.2017).

2. Annual Rep. Swiss National Supercomputing Centre (CSCS) [Ofits. Sayt] http://www.cscs.ch/uploads/tx_ factsheet/Annual_Report_2014.pdf (Data Obrashcheniya16.10.2017).

3. High Research Computing Center in Moscow State University [Ofits. Sayt] http://hpc.msu.ru/?q=apps (Data Obrashcheniya 17.09.2017).

4. Luszczek P., Kurzak J., Dongarra J. Looking Back at Dense Linear Algebra Software. J. Parallel and Distributed Comp. 2014;4;7:2548—2560.

5. Spisok TOP500 [Ofits. Sayt] http://www.top500.org (Data Obrashcheniya 10.10.2017).

6. Basic Linear Algebra Subprograms BLAS [Ofits. Sayt] http://www.netlib.org/blas/ (Data Obrashcheniya 10.10.2017).

7. Matematicheskaya Biblioteka LAPACK [Ofits. Sayt] http://www.netlib.org/lapack (Data Obrashcheniya 10.10.2017).

8. Scalable Linear Algebra PACKage SCALAPACK [Ofits. Sayt] http://www.netlib.org/scalapack/ (Data Obrashcheniya 10.10.2017).

9. Matematicheskaya Biblioteka MKL [Ofits. Sayt] https://software.intel.com/en-us/intel-mkl (Data Obrashcheniya 10.10.2017).

10. Automatically Tuned Linear Algebra Software а ATLAS [Ofits. Sayt] http://math-atlas.sourceforge.net (Data Obrashcheniya 10.10.2017).

11. OpenMP [Ofits. Sayt] http://openmp.org (Data Obrashcheniya 15.10.2017).

12. MPI Forum [Ofits. Sayt] http://www.mpi-forum. org/docs/ (Data Obrashcheniya 15.10.2017).

13. Niklasson A.M.N. Density Matrix Methods in Linear Scaling Electronic Structure Theory. LinearScaling Techniques in Computational Chemistry and Phys. Springer Netherlands, 2011:439—473.

14. OpenACC [Ofits. Sayt] https://www.openacc.org/ (Data Obrashcheniya 15.10.2017).

15. Opisanie Standarta OpenCL [Ofits. Sayt] https:// www.khronos.org/opencl/ (Data Obrashcheniya 15.10.2017).

16. Dongarra J. e. a. Parallel Programming Models for Dense Linear Algebra on Heterogeneous System. Supercomputing Frontiers and Innovations. 2016;2;4: 67—86.

17. Opisanie Biblioteki GlobalArrays [Ofits. Sayt] http://hpc.pnl.gov/globalarrays/ (Data Obrashcheniya 15.10.2017).

18. PGAS [Ofits. Sayt] http://www.pgas.org/ (Data Obrashcheniya 24.10.2017).

19. Krishnan M., Nieplocha J. SRUMMA: a Matrix Multiplication Algorithm Suitable for Clusters and Scalable-Shared Memory Systems. Proc. 18 Intern. Symp. Parallel and Distributed Proc. 2004:70.

20. YarKhan A. e. a. Porting the PLASMA Numerical Library to the OpenMP Standard. Intern. J. Parallel Programming. 2017;45;3:612—633.

21. AMD Developer Central [Ofits. Sayt] http:// developer.amd.com/tools-and-sdks/archive/acml-archivedownloads/ (Data Obrashcheniya 10.10.2017).

22. High-Performance BLAS by Kazushige Goto [Ofits. Sayt] http://www.cs.utexas.edu/users/flame/goto/ signup_first.html (Data Obrashcheniyaя 10.10.2017).

23. GOTOBLAS2 [Ofits. Sayt] https://www.tacc. utexas.edu/research-development/tacc-software/gotoblas2 (Data Obrashcheniya 10.10.2017).

24. Dokumentatsiya Matematicheskoy Biblioteki OpenBLAS [Ofits. Sayt] https://github.com/xianyi/ OpenBLAS/wiki (Data Obrashcheniya 10.10.2017).

25. OpenBLAS [Ofits. Sayt] http://www.openblas.net/ (Data Obrashcheniya 10.10.2017).

26. Naveen G.V. Accelerating Deep Learning and Machine Learning to a New Level // CMG — Computer Measurement Group India [Elektron. Resurs] http://www. cmgindia.org/wp-content/uploads/2016/12/Intel_CMG_ India_Keynote_2016.pdf (Data Obrashcheniya 10.10.2017).

27. Intel Math Kernel Library [Elektron. Resurs] https://software.intel.com/sites/default/files/managed/ e0/9d/mkl-11.3.2-developer-reference-fortran_0.pdf (Data Obrashcheniya 10.10.2017).

28. Quintero D. e. a. High-Performance Computing Guide // IBM Redbooks [Elektron. Resurs] http://www. redbooks.ibm.com/redbooks/pdfs/sg10371.pdf (Data Obrashcheniya 01.09.2017).

29. cuBLAS [Elektron. Resurs] http://docs.nvidia.com/ cuda/cublas/index.html (Data Obrashcheniya10.10.2017).

30. Kurzak J. e. a. Designing SLATE: Software for Linear Algebra Targeting Exascale // Innovative Computing Laboratory [Elektron. Resurs] http://www. icl.utk.edu/files/publications/2017/icl-utk-980-2017.pdf (Data Obrashcheniya 15.10.2017).

31. Voevodin V.V., Voevodin V.V. Parallel'nye Vychisleniya. SPb.: BHV-Peterburg, 2002. (in Russian).

32. MAGMA [Elektron. Resurs] https://developer. nvidia.com/magma (Data Obrashcheniya 10.10.2017).

33. PLASMA [Elektron. Resurs] http://icl.cs.utk.edu/ plasma/ (Data Obrashcheniya10.10.2017).

34. Agullo E. e. a. Numerical Linear Algebra on Emerging Architectures: The PLASMA and MAGMA projects. J. Physics. 2009;180;1:012037.

35. MAGMA [Elektron. Resurs] http://icl.cs.utk.edu/ magma/ (Data Obrashcheniya 10.10.2017).

36. Intel Developer Zone [Ofits. Sayt] https://software. intel.com/sites (Data Obrashcheniya 10.10.2017).

37. Dongarra J. e. a. Accelerating Numerical Dense Linear Algebra Calculations with GPUs. Numerical Computations with GPUs. Springer Intern. Publ., 2014:3—28.

38. CLSPARSE [Elektron. Resurs] http://gpuopen. com/compute-product/clsparse/ (Data Obrashcheniya 10.10.2017).

39. Perechen' Matematicheskih Bibliotek [Elektron. Resurs] http://www.nvidia.ru/object/tesla-gpu-acceleratedlibraries-ru.html (Data Obrashcheniya 10.10.2017). (in Russian).

40. EISPACK [Elektron. Resurs] http://www.netlib. org/eispack/ (Data Obrashcheniya 15.10.2017).

41. PEIGS [Elektron. Resurs] http://hpc.pnl. gov/globalarrays/peigs.shtml (Data Obrashcheniya 15.10.2017).

42. Global Arrays [Elektron. Resurs] http://hpc.pnl. gov/globalarrays/ (Data Obrashcheniya 23.10.2017).

43. Kendall R. A. e. a. High Performance Computational Chemistry: an Overview of NWChem a Distributed Parallel Application. Computer Phys. Communications. 2000;128;1:260—283.

44. Sunderland A.G., Breitmoser E.Y. An Overview of Eigensolvers for HPCx. Complexity. 2003;2:3—12.

45. Hammarling S. New Developments in LAPACK and ScaLAPACK [Elektron. Resurs] http://www.maths. bath.ac.uk/~masrs/ma50177/pdfs/bath-25apr07.pdf (Data Obrashcheniya 15.10.2017).

46. Sparse Matrix Storage Formats for Sparse BLAS Routines [Elektron. Resurs] https://software.intel.com/ en-us/mkl-developer-reference-c-sparse-matrix-storageformats-for-sparse-blas-routines (Data Obrashcheniya 15.10.2017).

47. Introduction to the Intel MKL Extended Eigensolver [Elektron. Resurs] https://software.intel.com/ en-us/articles/introduction-to-the-intel-mkl-extended-eigensolver (Data Obrashcheniya 15.10.2017).

48. ELPA [Ofits. Sayt] https://elpa.mpcdf.mpg.de/ (Data Obrashcheniya 15.10.2017).

49. Marek A. The ELPA Library — Scalable Parallel Eigenvalue Solutions for Electronic Structure Theory and Computational Science. J. Physics. 2014;26:213201.

50. Bock N., Challacombe M. An Optimized Sparse Approximate Matrix Multiply. CoRR. 2012:1—16.

51. Bock N., Challacombe M. An Optimized Sparse Approximate Matrix Multiply for Matrices With Decay. SIAM J. Scientific Comp. 2013;35;1:72—98.

52. Sparse BLAS [Elektron. Resurs] http://www. netlib.org/sparse-blas/ (Data Obrashcheniya 10.10.2017).

53. Borstnik U. e. a. Sparse Matrix Multiplication: the Distributed Block-compressed Sparse Row Library. Parallel Comp. 2014;40;5:47—58.

54. Greathouse J.L. e. a. clSPARSE: a Vendor optimized Open-source Sparse BLAS Library. Proc. IV Intern. Workshop on OpenCL. 2016:7.

55. Piccolo A., Soodla J. Performance of Parallel Sparse Matrix-matrixmultiplication // SCRIBD [Elektron. Resurs] http://www.diva-portal.org/smash/get/diva2:821031/ FULLTEXT01.pdf (Data Obrashcheniya 15.10.2017).

56. Rubensson E.H., Rudberg E. Locality-aware Parallel Block-sparse Matrix-matrix Multiplication Using the Chunks and Tasks Programming Model. Parallel Computing. Elsevier, 2016.

57. PARPACK [Elektron. Resurs] www.caam.rice. edu/~kristyn/parpack_home.html (Data Obrashcheniya 15.10.2017).

58. Heinecke A. e. a. LIBXSMM: Accelerating Small Matrix Multiplications by Runtime Code Generation. Proc. High Performance Computing, Networking, Storage and Analysi Intern. Conf. 2016:981—991.

59. Zhao Z. e. a. Performance of Hybrid MPI/OpenMP VASP on Cray XC40 Based on Intel Knights Landing Many Integrated Core Architecture [Elektron. Resurs] https:// cug.org/proceedings/cug2017_proceedings/includes/files/ pap134s2-file1.pdf (Data Obrashcheniya 10.10.2017).
---
For citation: Kruzhilov I.S., Kuzminsky M.B., Chernetsov A.M., Shamayeva O.Yu. Basic Linear Algebra Libraries for High Performance Computing. MPEI Vestnik. 2018;6:87—95. (in Russian). DOI: 10.24160/1993-6982-2018-6-87-95.
Опубликован
2018-12-01
Раздел
Информатика, вычислительная техника и управление (05.13.00)