核心思路：1）通过轻工作量的预处理阶段，把矩阵A纵向从上到下分割成一个个的row-slice，划分后每个row-slice中的非零元个数大致相同。每个row-slice由一个CPE单独计算。
2）计算一个row-slice时，读取相应的x时使用动态前向规划技术避免取到无用的x，降低了带宽。
3）对CPE进行划分，同组CPE可以共享所需要的x，可进一步降低带宽。
4）设计了parameter auto-tuning框架（我理解就是测试套件），使得算法更适用于不同的矩阵。
5）运行时采用atomic-operation based work-sharing pool确保负载平衡，这项主要配合1）
下面是详细说明：
1）预处理阶段
MPE确定每个row-slice最多包含多少行、最多有多少个非零元后，对矩阵A进行一次遍历，遍历后的划分出的每个row-slice包含非零元个数大致相同。另外，row-slice中同一行的元素也是分批读取的。
2）如何避免取到无用的x