Ускорение на GPU через Futhark: функциональные дата-параллельные ядра

Моя специализация — численные ядра на языке Futhark, чисто функциональном дата-параллельном языке, который транслируется в CUDA и OpenCL. Когда тяжёлый цикл, физическая модель или ворох арифметики над массивами перегружают процессор, я переношу расчёт на видеокарту, причём вам не нужно самим писать низкоуровневый код под устройство. Сила Futhark в его гарантиях: побочных эффектов нет, проблем с алиасингом нет, а компилятор самостоятельно объединяет map, reduce, scan и сегментные операции в компактные ядра. Работаю по понятной схеме. На старте я разбираю ваш конвейер профилировщиком и выделяю по-настоящему параллельные фрагменты. Дальше описываю их на Futhark чисто функциональными комбинаторами, оставляя код прозрачным и детерминированным. Замеряю всё относительно вашего исходного варианта, настраиваю размеры блоков и порядок обращений к памяти и повторяю итерации, пока прирост не станет надёжным. На финале собираю решение обратно в ваш проект: Futhark выдаёт библиотеку на C, а я оборачиваю её для вызова из Python через ctypes или компактное расширение либо подключаю напрямую к программе на C или C++. За время практики я разгонял ценообразование методом Монте-Карло, фильтрацию изображений и сигналов, физические стенсилы, задачи линейной алгебры и подготовку данных для машинного обучения. На выходе — опрятный исходный код, сценарий сборки, тесты для сверки результата GPU с эталоном, отчёт с замерами и заметка о том, как пересобрать и дорабатывать проект. Пришлите описание нагрузки и целевое оборудование — я прикину ожидаемое ускорение ещё до начала.