ppOpen‐ATによる静的コード生成 で実現する 自動チューニング方式の評価 片桐 孝洋、松本 正晴、大島 聡史 (東京大学情報基盤センター) 1 日本応用数理学会2015年 年会 2015年9月9日〜11日、金沢大学角間キャンパス 9月11日(金)会員主催OS:先進的環境での数値計算と自動チューニング技術(1) B会場:103講義室、9:30‐9:50
ppOpen‐ATによる静的コード生成で実現する
自動チューニング方式の評価
片桐 孝洋、松本 正晴、大島 聡史
(東京大学情報基盤センター)
1
日本応用数理学会2015年年会2015年9月9日〜11日、金沢大学角間キャンパス9月11日(金)会員主催OS:先進的環境での数値計算と自動チューニング技術(1)B会場:103講義室、9:30‐9:50
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. コード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. コード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
背景 スレッド数の増加/プログラミングモデルの複雑化
– マルチコアCPU、メニーコアCPUの浸透• マルチコアCPU: 16‐32 コア, 32‐64 スレッド、かつHyper Threading (HT) や Simultaneous Multithreading (SMT)付き
• メニーコアCPU: Xeon Phi – 60コア、240スレッド(HT実行時)
– ハイブリッドMPI/OpenMP実行• MPIプロセス数、OpenMPスレッド数の組合せ数増加
– チューニングの手間が増えている!
4
性能可搬性(Performance Portability (PP))◦ 複数の計算機環境でも高性能を維持
複数のCPUだけではなく、複数のコンパイラでも
実行時情報、例えば<ループ長>や<スレッド数>の情報は重要
◦ Auto‐tuning (AT) はPPを実現するための技術の1つ
ppOpen‐AT によるATソフトウェア構築方式
オリジナルコード
ディレクティブによる記載
ユーザ知識ライブラリ
開発者
① ライブラリ公開前
Candidate1
Candidate2
Candidate3
候補nオートチューナー
公開ライブラリ
自動コード生成
②
:対象計算機
実行時間④
選択
⑤
実行時
Xabclib、ABCLib、ppOpen‐AT(ABCLibScript)のAT方式
⑥
自動チューニングされたコード実行
ライブラリ呼び出し
③
ライブラリユーザ
ppOpen‐APPL/FDMへの適用シナリオ
12
AT無しで、 適化されたカーネルの実行
ライブラリ利用者
ATパラメタの指定とライブラリの実行(OAT_AT_EXEC=1)
■オートチューナの実行固定ループ長での実行(行列サイズ、MPIプロセス数、OpenMPスレッド数の固定による)
対象カーネルの実行時間の計測 適パラメタ情報の収納
ATパラメタの指定とライブラリの実行(OAT_AT_EXEC=0)
速カーネル情報の収納
ATなしで 速カーネルを使う(行列サイズ、MPIプロセス数、
OpenMPスレッド数を変えない限り有効)
行列サイズ、MPIプロセス数、
OpenMPスレッド数の指定
[FIBER方式、Katagiri et.al., 2003]
実行起動前時AT
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. 階層型AT処理とコード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
従来のATの流れ:Dynamic Code Generation Auto‐tuning (DCG‐AT)
対象の計算機の決定
ATソフトウェアのインストール(コンパイル)
オートチューナの起動
コード生成
コンパイル
実行
性能は十分か?
適化コード
本計算の実行
Yes
No
インストール時のみ行う
提案AT方式の流れ:Static Code Generation Auto‐tuning (SCG‐AT)
対象の計算機の決定
ATソフトウェアのインストール(コンパイル)
実行パラメタ指定
オートチューナの起動
コードの指定
性能は十分か?
適化コード
本計算の実行
Yes
No
インストール時実行起動前時実行時で可能
コード生成
SCG‐ATの利点と欠点 利点
– コードの再コンパイルが不要1. (コンパイルに費やす)ATのための時間が削減2. ATを実行する計算機上(例えば、ログインノード)に
余分な負荷を与えない– 実行時のコード自動生成が不要
1. コード自動生成のためのソフトウェアスタック(スクリプト言語など)が不要
2. ATシステム内でのバッチジョブスクリプトの書き直しが不要3. 処理の自動化で必要なデーモン起動・常駐などが不要– ATで効果的となるアルゴリズム選択(コード選択)の実装が容易
欠点– AT候補のコードをプログラム中に持つため、コード量が増大– 適化済み情報を得るための処理(ファイルアクセスなど)が追加
されるため、ATのための処理時間(ATのオーバーヘッド)が増える– (SCG‐ATの特性のswitch文の挿入による)AT候補を選択する処理の
挿入により、オリジナルコードの実行に対し、キャッシュなどの振る舞いが異なることがある
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. コード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
コード選択の例(FDMコード)
ppOpen‐APPL/FDM(Seism3D)の流れ図
22
),,,(
}],,,)21({},,)
21({[1
),,(
2/
1
zyxqp
zyxmxzyxmxcx
zyxdxd
pqpq
M
mm
pq
中心差分近似による空間微分の評価
),,(,121
21
zyxptfzyx
uu np
nzp
nyp
nxpn
p
n
p
Leapfrog法による陽解法時間発展
開始
Velocity Derivative (def_vel)
Velocity Update (update_vel)
Stress Derivative (def_stress)
Stress Update (update_stress)
反復の終了?NO
YES
終了
Velocity PML condition (update_vel_sponge)Velocity Passing (MPI) (passing_vel)
Stress PML condition (update_stress_sponge)Stress Passing (MPI) (passing_stress)
今までの実装 (ベクトル機向け)
call ppohFDM_pdiffx3_p4( SXX,DXSXX, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DX )call ppohFDM_pdiffy3_p4( SYY,DYSYY, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DY call ppohFDM_pdiffx3_m4( SXY,DXSXY, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DX )call ppohFDM_pdiffy3_m4( SXY,DYSXY, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DY )call ppohFDM_pdiffx3_m4( SXZ,DXSXZ, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DX )call ppohFDM_pdiffz3_m4( SXZ,DZSXZ, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DZ )call ppohFDM_pdiffy3_m4( SYZ,DYSYZ, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DY )call ppohFDM_pdiffz3_m4( SYZ,DZSYZ, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DZ )call ppohFDM_pdiffz3_p4( SZZ,DZSZZ, NXP,NYP,NZP,NXP0,NXP1,NYP0,NYP1,NZP0,NZP1, DZ )
!! Substitute to Reduced‐order derivatives at around model boundarycall ppohFDM_truncate_diff_stress(idx,idy,idz)
if( is_fs .or. is_nearfs ) thencall ppohFDM_bc_stress_deriv( KFSZ,NIFS,NJFS,IFSX,IFSY,IFSZ,JFSX,JFSY,JFSZ )
end if
call ppohFDM_update_vel ( 1, NXP, 1, NYP, 1, NZP )
中心差分近似による空間微分の評価
モデル境界の処理
Leapfrog法による陽解法時間発展
今までの実装(ベクトル機向け)subroutine OAT_InstallppohFDMupdate_stress(..)!$omp parallel do private(i,j,k,RL1,RM1,RM2,RLRM2,DXVX1,DYVY1,DZVZ1,…)do k = NZ00, NZ01do j = NY00, NY01do i = NX00, NX01RL1 = LAM (I,J,K); RM1 = RIG (I,J,K); RM2 = RM1 + RM1; RLRM2 = RL1+RM2DXVX1 = DXVX(I,J,K); DYVY1 = DYVY(I,J,K); DZVZ1 = DZVZ(I,J,K)D3V3 = DXVX1 + DYVY1 + DZVZ1SXX (I,J,K) = SXX (I,J,K) + (RLRM2*(D3V3)‐RM2*(DZVZ1+DYVY1) ) * DTSYY (I,J,K) = SYY (I,J,K) + (RLRM2*(D3V3)‐RM2*(DXVX1+DZVZ1) ) * DTSZZ (I,J,K) = SZZ (I,J,K) + (RLRM2*(D3V3)‐RM2*(DXVX1+DYVY1) ) * DTDXVYDYVX1 = DXVY(I,J,K)+DYVX(I,J,K); DXVZDZVX1 = DXVZ(I,J,K)+DZVX(I,J,K)DYVZDZVY1 = DYVZ(I,J,K)+DZVY(I,J,K)SXY (I,J,K) = SXY (I,J,K) + RM1 * DXVYDYVX1 * DTSXZ (I,J,K) = SXZ (I,J,K) + RM1 * DXVZDZVX1 * DTSYZ (I,J,K) = SYZ (I,J,K) + RM1 * DYVZDZVY1 * DT
end doend do
end doretuenend
Leapfrog法による陽解法時間発展
手続きコールのたびに配列に入出力
→B/F値が大きくなる
スカラ計算機向け実装 (Intel向き)!$omp parallel do private (i,j,k,RL1,RM1,RM2,RLRM2,DXVX, …)do k_j=1, (NZ01‐NZ00+1)*(NY01‐NY00+1)k=(k_j‐1)/(NY01‐NY00+1)+NZ00j=mod((k_j‐1),(NY01‐NY00+1))+NY00do i = NX00, NX01RL1 = LAM (I,J,K); RM1 = RIG (I,J,K)RM2 = RM1 + RM1; RLRM2 = RL1+RM2
! 4th order diffDXVX0 = (VX(I,J,K) ‐VX(I‐1,J,K))*C40/dx &
‐ (VX(I+1,J,K)‐VX(I‐2,J,K))*C41/dxDYVY0 = (VY(I,J,K) ‐VY(I,J‐1,K))*C40/dy &
‐ (VY(I,J+1,K)‐VY(I,J‐2,K))*C41/dyDZVZ0 = (VZ(I,J,K) ‐VZ(I,J,K‐1))*C40/dz &
‐ (VZ(I,J,K+1)‐VZ(I,J,K‐2))*C41/dz! truncate_diff_vel! X dir
if (idx==0) thenif (i==1)thenDXVX0 = ( VX(1,J,K) ‐ 0.0_PN )/ DX
end ifif (i==2) thenDXVX0 = ( VX(2,J,K) ‐ VX(1,J,K) )/ DXend if
end ifif( idx == IP‐1 ) thenif (i==NXP)then
DXVX0 = ( VX(NXP,J,K) ‐ VX(NXP‐1,J,K) ) / DXend if
end if
! Y dirif( idy == 0 ) then ! Shallowmostif (j==1)thenDYVY0 = ( VY(I,1,K) ‐ 0.0_PN )/ DY
end ifif (j==2)thenDYVY0 = ( VY(I,2,K) ‐ VY(I,1,K) ) / DY
end ifend ifif( idy == JP‐1 ) thenif (j==NYP)thenDYVY0 = ( VY(I,NYP,K) ‐ VY(I,NYP‐1,K) )/ DY
end ifend if
! Z dirif( idz == 0 ) then ! Shallowmostif (k==1)thenDZVZ0 = ( VZ(I,J,1) ‐ 0.0_PN ) / DZ
end ifif (k==2)thenDZVZ0 = ( VZ(I,J,2) ‐ VZ(I,J,1) ) / DZ
end ifend ifif( idz == KP‐1 ) thenif (k==NZP)thenDZVZ0 = ( VZ(I,J,NZP) ‐ VZ(I,J,NZP‐1) )/ DZ
end ifend if
モデル境界の処理
中心差分近似による空間微分の評価
DXVX1 = DXVX0; DYVY1 = DYVY0DZVZ1 = DZVZ0; D3V3 = DXVX1 + DYVY1 + DZVZ1SXX (I,J,K) = SXX (I,J,K) &+ (RLRM2*(D3V3)‐RM2*(DZVZ1+DYVY1) ) * DT
SYY (I,J,K) = SYY (I,J,K) &+ (RLRM2*(D3V3)‐RM2*(DXVX1+DZVZ1) ) * DTSZZ (I,J,K) = SZZ (I,J,K) &+ (RLRM2*(D3V3)‐RM2*(DXVX1+DYVY1) ) * DTend do
end do!$omp end parallel d
Leapfrog法による陽解法時間発展
B/F値は小さくなるループ内部に
IF文があり適化を阻害
Select節によるコード選択と階層的なAT指定
Program main….!OAT$ install select region start!OAT$ name ppohFDMupdate_vel_select!OAT$ select sub region startcall ppohFDM_pdiffx3_p4( SXX,DXSXX,NXP,NYP,NZP,….)call ppohFDM_pdiffy3_p4( SYY,DYSYY, NXP,NYP,NZP,…..)…if( is_fs .or. is_nearfs ) thencall ppohFDM_bc_stress_deriv( KFSZ,NIFS,NJFS,IFSX,….)end ifcall ppohFDM_update_vel ( 1, NXP, 1, NYP, 1, NZP )!OAT$ select sub region end
!OAT$ select sub region startCall ppohFDM_update_vel_Intel ( 1, NXP, 1, NYP, 1, NZP )!OAT$ select sub region end
!OAT$ install select region end
上位のAT指定 Select節でコード選択が記述可能
subroutine ppohFDM_update_vel(….)….!OAT$ install LoopFusion region start!OAT$ name ppohFDMupdate_vel!OAT$ debug (pp)!$omp parallel do private(i,j,k,ROX,ROY,ROZ)do k = NZ00, NZ01do j = NY00, NY01do i = NX00, NX01
…..….
下位のAT指定
subroutine ppohFDM_pdiffx3_p4(….)….!OAT$ install LoopFusion region start….
ATによる関数呼び出し構成開始
Stress Derivative (def_stress)
Stress Update (update_stress)
反復の終了?NO
YES
終了
Velocity PML condition (update_vel_sponge)
Velocity Passing (MPI) (passing_vel)
Stress PML condition (update_stress_sponge)
Stress Passing (MPI) (passing_stress)
Velocity Derivative (def_vel)
Velocity Update (update_vel)
メインプログラム中
Velocity Update (update_vel_Intel)
Stress Update (update_stress_Intel)
選択
選択
update_vel_select
update_stress_select
update_vel_select
update_stress_select
候補候補候補候補
候補候補候補候補
候補候補候補候補
候補候補候補候補
候補候補候補候補
候補候補候補候補
候補候補候補候補
候補候補候補候補
:自動生成コード
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. コード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
Candidates in Conventional AT1. Kernel update_stress
– 8 Kinds of Candidates with Loop Collapse and Loop Split.2. Kernel update_vel
– 6 Kinds of Candidates with Loop Collapse and Re‐ordering of Statements. 3 Kinds of Candidates with Loop Collapse.3. Kernel update_stress_sponge4. Kernel update_vel_sponge5. Kernel ppohFDM_pdiffx3_p46. Kernel ppohFDM_pdiffx3_m47. Kernel ppohFDM_pdiffy3_p48. Kernel ppohFDM_pdiffy3_m49. Kernel ppohFDM_pdiffz3_p410. Kernel ppohFDM_pdiffz3_m4 Kinds of Candidates with Loop Collapse for Data Packing and Data
Unpacking.11. Kernel ppohFDM_ps_pack12. Kernel ppohFDM_ps_unpack13. Kernel ppohFDM_pv_pack14. Kernel ppohFDM_pv_unpack
34
Total Number of Kernel Candidates: 47+ 2 (code selection)= 49
適パラメタ分布
適パラメタ分布 (update_stress_select)8ノード
0
1
2
3
4
0 1 2 3 4 5 6 7 8
Phi Ivy Bridge_HT1 FX10
MPI並列性
パラメタ値
スカラ計算機向きコード(Intel向きコード)
ベクトル計算機向きコード(従来コード)
適パラメタ分布 (update_vel_select)8ノード
0
1
2
3
4
0 1 2 3 4 5 6 7 8
Phi Ivy Bridge_HT1 FX10
MPI並列性
パラメタ値
スカラ計算機向きコード(Intel向きコード)
ベクトル計算機向きコード(従来コード)
XEON PHIHT4
Machine Environment (8 nodes of the Xeon Phi) The Intel Xeon Phi Xeon Phi 5110P (1.053 GHz), 60 cores Memory Amount:8 GB (GDDR5) Theoretical Peak Performance:1.01 TFLOPS One board per node of the Xeon phi cluster InfiniBand FDR x 2 Ports
Mellanox Connect‐IB PCI‐E Gen3 x16 56Gbps x 2 Theoretical Peak bandwidth 13.6GB/s Full‐Bisection
Intel MPI Based on MPICH2, MVAPICH2 Version 5.0 Update 3 Build 20150128
Compiler:Intel Fortran version 15.0.3 20150407 Compiler Options:
‐ipo20 ‐O3 ‐warn all ‐openmp ‐mcmodel=medium ‐shared‐intel –mmic‐align array64byte
KMP_AFFINITY=granularity=fine, balanced (Uniform Distribution of threads between sockets)
Execution Details• ppOpen‐APPL/FDM ver.0.2• ppOpen‐AT ver.0.2• The number of time step: 2000 steps• The number of nodes: 8 node• Native Mode Execution• Target Problem Size (Almost maximum size with 8 GB/node)– NX * NY * NZ = 1536 x 768 x 240 / 8 Node– NX * NY * NZ = 768 * 384 * 120 / node(!= per MPI Process)
• The number of iterations for kernels to do auto‐tuning: 100
0
200
400
600
800
1000
1200
1400
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
Others
IO
passing_stresspassing_velocityupdate_vel_spongeupdate_vel
update_stress_spongeupdate_stress
Whole Time (2000 time steps)[Seconds]
Comp.Time
Comm. Time
NX*NY*NZ = 1536x768x240/ 8 Node
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
Original Code
AT without code selection
Full AT
1.12
1.31
1.04
1.17
1.55
1.78
0.95
1.48
1.15
1.50
1.09
1.71
1.17
1.68
0.80
1.00
1.20
1.40
1.60
1.80
2.00
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
Speedups
Whole Time (Speedups)[Speedups]
NX*NY*NZ = 1536x768x240/ 8 Node
Original Code
AT without code selection
Full AT
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
今までのATとコード選択で
大1.78x
0
50
100
150
200
250
300
350
400
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
update_stress
update_stress (2000 time step)[Seconds]
NX*NY*NZ = 1536x768x240/ 8 Node
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
Original Code
AT without code selection
Full AT
1.47
2.09
1.03 1.46
3.93
6.44
0.81
3.35
1.73
3.21
1.12
4.39
1.18
3.44
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
Speedups
update_stress (speedups)[Seconds]
NX*NY*NZ = 1536x768x240/ 8 Node
Original Code
AT without code selection
Full AT
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
コード選択で
大6.44x
0
50
100
150
200
250
300
350
400
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
update_vel
update_vel (2000 time step)[Seconds]
NX*NY*NZ = 1536x768x240/ 8 Node
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
Original Code
AT without code selection
Full AT
1.11 1.11
1.00 1.00
0.99 1.01 1.04 0.97
1.09
1.19 1.18 1.18 1.21
1.25
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
1.50
P8T240 P16T120 P32T60 P64T30 P128T15 P240T8 P480T4
speedups
update_vel (speedups)[Seconds]
NX*NY*NZ = 1536x768x240/ 8 Node
Original Code
AT without code selection
Full AT
Hybrid MPI/OpenMPPhi : 8 Nodes (1920 Threads)
オリジナリティ (AT言語)AT Language
/ Items#1
#2
#3
#4
#5
#6
#7
#8
ppOpen‐AT OAT Directives ✔ ✔ ✔ ✔ ✔ なし
Vendor Compilers 対象外 Limited ‐Transformation
Recipes Recipe
Descriptions✔ ✔ ChiLL
POET Xform Description ✔ ✔ POET translator, ROSE
X language Xlang Pragmas ✔ ✔ X Translation,‘C and tcc
SPL SPL Expressions ✔ ✔ ✔ A Script Language
ADAPT
ADAPT Language
✔ ✔ PolarisCompiler
Infrastructure, Remote Procedure
Call (RPC)
Atune‐IL Atune Pragmas ✔ A Monitoring Daemon
PEPPHER PEPPHER Pragmas (interface)
✔ ✔ ✔ PEPPHER task graph and run-time
Xevolver Directive Extension(Recipe Descriptions)
(✔) (✔) (✔) ROSE,XSLT Translator
#1: 複数コンパイラ環境の支援手法 #2: 実行時のループ長の取得#3: 演算回数の増加を認めるループ分割、および、その分割したループに対するループ融合#4: 内側ループの式並び変更 #5:実装選択(階層AT処理)の概念 #6: アルゴリズム選択#7: 実行情報フィードバックによるコード生成 #8: ソフトウェアスタックの要求
(ユーザ自身で定義する )
話の流れ
1. 背景
2. Dynamic Code Generation Auto‐tuning (DCG‐AT) と Static Code Generation Auto‐tuning (SCG‐AT)
3. コード選択機能
4. 予備評価– FDMコードを例にして
5. おわりに
おわりに性能可搬性を達成するため、
コード選択の自動チューニング(AT)は有効であり、従来法では得られない速度向上が得られる
ppOpen‐ATのコード (MITライセンス):http://ppopenhpc.cc.u‐tokyo.ac.jp/
将来課題探索アルゴリズムの改良
– 全探索を使っている• ユーザ知識を使っているので、現実時間でAT可能
– 新探索アルゴリズムも研究開発中(一部実装済)• d‐Splineベースの探索アルゴリズム (ブラック・ボックス型の性能モデル)、田中教授(工学院大)と連携
• ループ構造を見る性能モデル(ホワイト・ボックス型の性能モデル)とppOpen‐ATとの連結も、ステンシル計算に限定して研究開発予定
オフロード実装のコード選択機能の拡張(Xeon Phiにおける)– 問題サイズが小さい時、自動でXeon Phiへオフローディングせず、CPUで実行する、など
– OpenACC利用による、GPU計算の切り替えも、ppOpen‐ATで原理的に実装可能
参考文献 (著者関連のみ)1. H. Kuroda, T. Katagiri, M. Kudoh, Y. Kanada, “ILIB_GMRES: An auto‐tuning parallel iterative solver for
linear equations,” SC2001, 2001. (A Poster.)2. T. Katagiri, K. Kise, H. Honda, T. Yuba, “FIBER: A general framework for auto‐tuning software,” The Fifth
International Symposium on High Performance Computing (ISHPC‐V), Springer LNCS 2858, pp. 146–159, 2003.
3. T. Katagiri, K. Kise, H. Honda, T. Yuba, “ABCLib_DRSSED: A parallel eigensolver with an auto‐tuning facility,” Parallel Computing, Vol. 32, Issue 3, pp. 231–250, 2006.
4. T. Katagiri, S. Ito, S. Ohshima, “Early experiences for adaptation of auto‐tuning by ppOpen‐AT to an explicit method,” Special Session: Auto‐Tuning for Multicore and GPU (ATMG) (In Conjunction with the IEEE MCSoC‐13), Proceedings of MCSoC‐13, 2013.
5. T. Sakurai, T. Katagiri, H. Kuroda, K. Naono, M. Igai, S. Ohshima, "A Sparse Matrix Library with Automatic Selection of Iterative Solvers and Preconditioners", Eighth international Workshop on Automatic Performance Tuning (iWAPT2013) (In conjunction workshop with International Conference on Computational Science, ICCS2013), Proceedings of ICCS 2013, Volume 18, pp.1332–1341, 2013.
6. T. Katagiri, T. Sakurai, M. Igai, S. Ohshima, H. Kuroda, K. Naono and K. Nakajima, "Control Formats for Unsymmetric and Symmetric Sparse Matrix‐vector Multiplications", Selected Papers of 10th International Meeting on High‐Performance Computing for Computational Science (VECPAR'2012) , Springer Lecture Notes in Computer Science, Volume 7851, pp.236‐248, 2013.
7. T. Katagiri, S. Ohshima, M. Matsumoto, “Auto‐tuning of computation kernels from an FDM Code with ppOpen‐AT,” Special Session: Auto‐Tuning for Multicore and GPU (ATMG) (In Conjunction with the IEEE MCSoC‐14), Proceedings of MCSoC‐14, 2014.
8. T.Katagiri, S.Ohshima, M. Matsumoto, "Directive‐based Auto‐tuning for the Finite Difference Method on the Xeon Phi," The Tenth International Workshop on Automatic Performance Tuning (iWAPT2015) (In Conjunction with the IEEE IPDPS2015 ), Proceedings of IPDPSW2015, pp.1221‐1230, 2015.