我使用 Armadillo 作为 OpenBLAS 的接口。在我当前的程序中，我有一个循环，我在其中进行形式的乘法

for(long t = t0; t < t1; t+=tStep)
{
    stateMatrix %= elementWiseEvolutionMatrix;
}

该运算符%是逐元素乘法运算符。这里的问题是，对于边长为 500+ 的矩阵（我手头的矩阵），我可以看到没有任何并行化。现在我想指出，普通矩阵乘法是并行化的。但是这种逐元素乘法不是并行的。

我怎么知道？因为我进入htop我的 linux 系统，我看到只有一个核心很忙，而如果我对普通矩阵乘法做同样的事情，我看到所有核心都忙。

现在我尝试使用 OpenMP 手动并行化它，但没有运气。我试过了：

for(long t = t0; t < t1; t+=tStep)
{
    #pragma omp parallel for
    for(long i = 0; i < static_cast<long>(stateMatrix.n_rows); i++)
    {
        stat1eMatrix.row(i) %= elementWiseEvolutionMatrix.row(i);
    }
}

但这让所有的核心都忙起来了，但程序变得慢了大约 10 倍。

我的问题：如何通过并行化使逐元素乘法尽可能快？

谢谢。

编辑：我想指出，如果有必要，我很乐意使用另一个库进行元素乘法。