OpenCL/SYCL工作组本地内存有状态数据结构管理方案问询

我正在优化内存受限的数值仿真OpenCL/SYCL内核，核心目标是通过local memory实现workitem间的数据共享，减少冗余的global memory访问量。

低依赖场景下的Local Memory填充逻辑 #

当local memory内数据依赖极少时，填充操作非常简单：

• 划分local memory的索引空间，通过合理的索引计算为每个workitem分配加载任务
• 所有workitem协同将数据从global memory加载到local memory的对应位置
• 使用屏障分隔加载阶段与计算阶段，加载阶段无需额外同步、通信逻辑

复杂依赖场景下的管理挑战 #

我的内核存在复杂的数据依赖链（依赖关系梳理涉及组合学），这是local memory空间限制下实现高数据复用的唯一方式。待处理数据被划分为2×2×2的块，块间存在不规则依赖：

• 计算后续3个块需依赖前1个块
• 计算后续6个块需依赖前3个块
• 计算后续10个块需依赖前6个块
• 计算后续15个块需依赖前10个块
  这些块需要动态映射到workitem进行处理。

出于架构适配考虑，我采用1024-workitem的工作组规模（在AMD GCN架构上可达到4的Occupancy，同时可使用64 KiB的local memory）。若每个workitem负责计算2×2×2块中的单个点，需一次性加载128个块到local memory才能充分利用GPU性能（对应处理点数：2×2×2×128=1024）。

这一需求让local memory的管理逻辑大幅复杂化：

1. local memory需要作为环形缓冲区使用，旧块退役后需立即加载新块，涉及多个指针与计数器的操作
2. 理想状态下需一次性加载128个块，但数据依赖限制了这一操作的实现
3. 加载与退役块时，必须保证不破坏相邻迭代间的数据依赖

现有方案的局限性 #

常规的无通信块分配方式无法适配当前场景。常见的单workitem管理方案（如if (id == 0)）存在显著缺陷：

• 仅单个workitem发起内存请求，无法饱和global memory控制器，导致带宽利用率极低
• 引发workitem分支发散，严重影响内核性能

按wavefront边界划分任务的方案（如if (id < 64)）性能表现更优，但仍需要更通用的管理策略。

管理工作组内所有workitem共享的有状态全局状态或全局数据结构的通用策略有哪些？

内容的提问来源于stack exchange，提问作者比尔盖子