我有一个程序，分为两部分，$A$和$B$. 这两个部分都能够作为独立单元运行，并用 C++ 编写。$A$是为集群系统编写的，完全在 CPU 节点上运行，通过 MPI 连接（在同一 CPU 上用于多个内核和不同节点），以及$B$旨在在单个 GPU 上运行。$A$正在做 FEM 计算，而$B$仅使用静态密集矩阵和可变向量进行矩阵向量乘法（矩阵大小通常为 5kx5k-15kx15k 复数双精度元素）。矩阵向量乘法的结果必须可以从所有线程访问$A$.

为了使 GPU 上的内存负载尽可能低，到目前为止，我的策略是仅在第一个 MPI 线程中创建静态矩阵$A$，但是通过创建尽可能多的$B$因为里面有线$A$，但只为一个实例生成矩阵。在线程 0 中进行乘法运算后，使用 MPI 将结果分发给所有其他线程。$A$根据该结果进行计算，然后重新启动$B$具有不同的参数。

现在我必须移植$B$到相同的节点$A$, 没有 GPU。我正在查看 PBLAS 函数 (PZGEMV) 或 PLASMA 库，以及 Trilinos 库（我已经在$A$，因此集成在$B$应该很容易），但我不确定密集分布的矩阵向量乘法是否可用。移植的最佳策略是什么，并使生成的程序尽可能高效？