【本网讯】近日，我校吴锡教授团队与电子科技大学合作完成的研究论文“High Performance Batched Symmetric Eigenvalue Decomposition via MRRR Tridiagonal Solver”（基于MRRR 三对角求解器的高性能批量对称矩阵特征值分解）获国际顶级会议PPoPP 2027录用，成都信息工程大学为论文第一完成单位。这是我校首篇获PPoPP录用的论文，也是学校首篇获计算机体系结构领域CCF A类国际会议录用的论文。

PPoPP（ACM SIGPLAN Symposium on Principles and Practice of Parallel Programming，并行编程原理与实践研讨会）是并行编程与高性能计算领域的国际顶级学术会议，被中国计算机学会（CCF）列为“计算机体系结构/并行与分布计算/存储系统”领域的 A 类会议。

论文第一作者为我校计算机学院2025级研究生靳喜，我校新引进的王瀚生博士、我校吴锡教授和电子科技大学张少帅研究员为共同通讯作者。

据会议录用通知，本届会议共收到398篇投稿，仅69篇论文获录用，录用比例约为17.34%。我校研究成果从本届投稿中脱颖而出，体现了团队在GPU并行算法与基础数值计算优化方面的研究水平。

对称矩阵特征值分解是数值线性代数中的基础运算。在二阶优化、医学成像等应用中，常需同时求解大量彼此独立的中小规模对称矩阵特征值问题。现有GPU批量求解方法仍存在不同的性能局限：Jacobi方法需要多轮旋转迭代，计算开销较大；分治（D&C）方法的递归合并增加数据搬运开销；隐式QL方法受迭代依赖制约，并行度有限。针对上述问题，团队提出了一种基于多重相对鲁棒表示（MRRR）的GPU批量对称矩阵特征值分解方法。据团队调研，该工作首次将GPU批量MRRR三对角求解器集成到端到端的批量稠密对称矩阵特征值分解流程中。该方法采用矩阵级、特征值级和特征向量级三级并行设计，充分挖掘不同矩阵及独立特征对之间的并行性，并根据矩阵规模优化求解流程，提高完整对称矩阵特征值分解的批量处理效率。在NVIDIA H100 GPU的测试中，相较cuSOLVER Jacobi、cuSOLVER D&C和EigenG-Batched，该方法在所测试配置中的端到端最高加速比分别达到14.73倍、3.59倍和130.66倍，展示了三级并行设计与流程协同优化在批量数值计算中的性能潜力。