JuliaGPU/CUDA.jl

Schur decomposition

Open

#2 077 ouverte le 11 sept. 2023

Voir sur GitHub
 (1 commentaire) (0 réactions) (0 assignés)Julia (274 forks)batch import
enhancementhelp wanted

Métriques du dépôt

Stars
 (1 408 stars)
Métriques de merge PR
 (Merge moyen 5j 5h) (16 PRs mergées en 30 j)

Description

Schur decomposition is implemented efficiently on GPU in PyTorch, Jax, and MatLab. It is an essential ingredient for the efficient computation of matrix square root (sqrtm).

It would be ideal to have this decomposition implemented directly in CUDA.jl. The only alternative I see at the moment is full-on diagonalization which is less efficient and less stable.

Guide contributeur

Direction de recherche
Étudiez l'implémentation des décompositions matricielles existantes dans CUDA.jl (par exemple, la décomposition propre) pour comprendre la structure du code. Ensuite, implémentez la décomposition de Schur en utilisant la fonction gees de cuSOLVER. Référez vous aux implémentations PyTorch/JAX pour vous guider.
Stack technique
Aucun
Domaine
backendperformance
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
4
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Plus d'une semaine
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
JuliaCUDALinear AlgebraGit
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
20