用 FLAME 方法系统推导斜对称矩阵 LTLT 分解算法，融合 BLAS 类运算后性能较 PFAPACK 与 Pfaffine 大幅提升

该工作用 FLAME 方法系统推导出斜对称 LTLT 分解的一族算法，包括无主元与带主元的右看（Parlett-Reid 变体）、左看（Aasen 变体）、两步右看（Wimmer 变体）以及三种分块右看和一种分块左看算法。 此前斜对称 LTLT 分解的算法零散且多从对称情形改写，本文首次以 FLAME 形式化流程从规范出发统一推导，并给出正确性证明与算法族。 论文给出规范、分区矩阵表达式、循环不变式与算法伪码，并在配套技术报告中给出完整推导；本文自述为自包含的要点呈现。

论文识别出该分解所需的新的 level-2 与 level-3 BLAS 类运算，包括 skew rank2、gen rank2、skew tridiag gemv、skew tridiag rankk、skew tridiag gemm 与 skew rank2k。 传统 BLAS 接口不含斜对称运算；本文明确列出这些运算并说明其在各算法中的出现位置，为后续 BLAS 扩展提供依据。 论文以表格列出各运算及其被哪些算法使用，并说明参考实现中已新增部分斜对称运算。

通过将斜对称三对角 rank-k 更新（skew tridiag rankk）与 BLIS 的打包过程融合，并并行化 level-2 运算与块主元应用，实现性能较未融合版本提升超过 5 倍（无主元）和 3 倍（带主元）。 此前实现多将运算拆解为传统 BLAS 调用，产生额外数据移动与工作区；本文利用 BLIS 2.0 的自定义打包机制避免这些开销。 论文在 2× AMD EPYC 7763 系统上以 64 核进行分步优化实验，报告了各优化步骤的性能影响。

最佳实现性能大幅超过此前唯一已知的斜对称 LTLT 分解软件 PFAPACK 与 Pfaffine，并与相关对称矩阵分解软件相当或更优。 PFAPACK 不超过 5.8 GFLOPs，而 Pfaffian 峰值达 135 GFLOPs；本文实现因强制完整分解模式而执行两倍 FLOPs，但性能差距仍远大于两倍。 论文在 64 核单插槽上以实验确定的最优块大小进行对比，并说明 PFAPACK 与 Pfaffine 均以相同编译器从源码编译。

该工作面向共享内存多核 CPU 上的稠密斜对称矩阵 LTLT 分解，适用于需要完整 L 与 T 因子（如快速更新 Pfaffian 或求解 Xv = w）的场景；带主元版本用于改善数值稳定性。算法族与 BLAS 类运算的定义可反向修改用于对称矩阵的三对角化，融合与 BLAS 扩展思路亦可迁移至其他线性代数与张量运算。

本文为不完整阅读，图表中的具体性能数据与曲线细节未能完整获取，因此无法核实各优化步骤的精确加速比与不同块大小的性能差异。此外，带主元算法的并行效率明显低于无主元版本（最佳带主元算法在 64 核仅达 24% 并行效率），主元应用因列主序存储与行交换导致缓存行浪费与 TLB 复用差，这一瓶颈的进一步优化空间尚待探索。论文提到左看部分分解算法能否进一步减少运算量仍为开放问题，主元在 FLAME 形式化推导中的正式纳入也是未来方向。