CUDA.jl模拟性能优化：GPU表现远逊于多线程的问题求助

我在撰写Julia语言的GPU计算教程，在演示简单矩阵运算时，GPU性能远超单线程与多线程版本。但在实现包含模拟数据X生成和参数β估算的复杂示例时，Nvidia RTX 2070 GPU的模拟性能比20线程的多线程版本差约20倍。

以下是最小可复现示例（MRE）代码：

# Meta-simulation constants =================================
replications = 10
n = 100
p = 2
μ = rand(replications)

# Multi-threaded simulations =================================
β_par = fill(0., (p, replications))
function parsim()
  Threads.@threads for r in 1:replications
    X = rand(Float16, (n, p)) .* μ[r]; # Sample data
    β = sum(X .^ 2, dims = 1);   # Estimate parameters
    β_par[:, r] = β
  end
end

# GPU simulations =================================
using CUDA
β_gpu = CuArray(fill(0., (p, replications)))
function gpusim()
  for r in 1:replications
    X = CuArray(rand(Float16, (n, p))) .* μ[r]; # Sample data
    β = sum(X .^ 2, dims = 1);   # Estimate parameters
    β_par[:, r] = β
  end
end

我已花费十多小时尝试优化gpusim()，使其性能至少不低于parsim()，反复查阅CUDA.jl和LinearAlgebra.jl文档，尝试过自定义内核和多种线性代数方案，ChatGPT给出的复杂方案也未改善性能，希望了解如何让gpusim()性能超越parsim()。

内容的提问来源于stack exchange，提问作者Waldir Leoncio