GPU related

GPU相关研究涵盖编程模型、开源实现、架构设计、并行计算及专用加速器等多个方向，以下从核心主题与关键资源两个维度展开分析：

1. Persistent Threads编程风格

   针对GPGPU工作负载的优化技术，通过保持线程长期驻留GPU核心减少线程创建/销毁开销，提升计算密集型任务（如矩阵运算、物理模拟）的吞吐量。相关研究见于《A Study of Persistent Threads Style GPU Programming for GPGPU Workloads》。

   典型应用场景：需要持续数据处理的AI训练任务、大规模科学计算。

2. PTX内存一致性模型分析

   NVIDIA PTX指令集架构的内存一致性模型通过形式化验证确保多线程访问的可靠性，关键论文《A Formal Analysis of the NVIDIA PTX Memory Consistency Model》揭示了其如何平衡性能与正确性。

   技术价值：为GPU编译器优化和并行程序开发提供理论依据。

3. 教学与框架资源

   Vortex GPGPU教程：系统讲解GPGPU编程基础，覆盖CUDA、OpenCL等主流模型。

   CS 380课程：斯坦福大学GPU编程课程，包含并行计算原理与实战案例。

   胡文美《Programming Massively Parallel Processors》：经典教材，深入解析GPU架构与编程范式。

1. Miaow开源GPU

   基于AMD Southern Islands指令集架构（ISA）的开源实现，支持GPGPU计算，代码库位于GitHub - VerticalResearchGroup/miaow。

   研究意义：为学术界提供可修改的GPU硬件设计参考，促进架构创新。

2. Tiny-GPU Verilog设计

   极简GPU设计（GitHub - adam-maj/tiny-gpu），用Verilog实现核心功能模块（如调度器、内存控制器），适合教学与入门学习。

   特色：通过模块化设计降低理解复杂度，支持自定义扩展。

3. Ventus-GPGPU

   清华大学DSP实验室项目（GitHub - THU-DSP-LAB/ventus-gpgpu），聚焦GPGPU架构优化，可能涉及缓存一致性、能效比等关键问题。

1. HSA系统架构标准

   文档《HSA-SysArch-1.2.pdf》定义了异构系统架构（HSA）规范，统一CPU/GPU内存访问接口，减少数据搬运开销。

   技术突破：支持共享虚拟内存（SVM），简化并行程序开发。

2. GPU缓存一致性研究

   论文《Cache Coherence for GPU Architecture》探讨多核GPU下的缓存一致性协议设计，解决数据一致性与性能冲突问题。

   应用场景：多GPU协同训练、分布式渲染。

1. TPU v4光学可重构超算

   谷歌TPU v4通过光学互连技术实现高带宽、低延迟的芯片间通信，专为机器学习设计，支持嵌入层（Embeddings）硬件加速。

   性能优势：相比传统GPU，在推荐系统等任务中能效比提升显著。

2. AI系统全栈技术

   GitHub - chenzomi12/AISystem覆盖AI芯片（如GPU/TPU）、编译器优化、推理框架（TensorRT）等底层技术，形成完整技术栈。

   关键方向：自动并行化、内存优化、混合精度计算。

3. 斯坦福CS149并行计算课程

   课程资料（gfxcourses.stanford.edu/cs149/fall21）包含GPU架构、并行算法设计等内容，适合进阶学习。

• 编程与框架：Vortex教程、CS 380课程、胡文美教材。
• 开源实现：Miaow GPU、Tiny-GPU、Ventus-GPGPU。
• 架构研究：HSA标准、缓存一致性论文、TPU v4技术报告。
• 并行计算生态：AISystem全栈、斯坦福CS149课程。

以上资源覆盖GPU从硬件设计到软件优化的全链条，可根据具体研究方向（如架构设计、编程优化、AI加速）选择深入。