CUDA: почему доступ к одному и тому же массиву устройств не объединяется?

Я публикую детализированный код для обзора. Я считаю, что он должен компилироваться и выполняться без каких-либо проблем, но поскольку я исключил все ненужные части, возможно, я допустил какую-то ошибку.

struct Users {
    double A[96];
    double B[32];
    double C[32];
};

Это моя структура Users с массивами фиксированной длины. Ниже дана основная функция.

int main(int argc, char **argv) {

    int numUsers = 10;
    Users *users = new Users[numUsers];
    double Step[96];

    for (int i = 0; i < 32; i++) {
        Step[i]      = 0.8;
        Step[i + 32] = 0.8;
        Step[i + 64] = 0.8;
    }

    for (int usr = 0; usr < numUsers; usr++) {
        for (int i = 0; i < 32; i++) {
            users[usr].A[i]      = 10;
            users[usr].A[i + 32] = 20;
            users[usr].A[i + 64] = 30;
        }
        memset(users[usr].B, 0, sizeof(double) * 32);
        memset(users[usr].C, 0, sizeof(double) * 32);
    }


    double *d_Step;
    cudaMalloc((void**)&d_Step, sizeof(double) * 96);
    cudaMemcpy(d_Step, Step, sizeof(double) * 96, cudaMemcpyHostToDevice);


    Users *deviceUsers;
    cudaMalloc((void**)&deviceUsers, sizeof(Users) * numUsers);
    cudaMemcpy(deviceUsers, users, sizeof(Users) * numUsers, cudaMemcpyHostToDevice);


    dim3 grid;
    dim3 block;

    grid.x = 1;
    grid.y = 1;
    grid.z = 1;
    block.x = 32;
    block.y = 10;
    block.z = 1;
    calc<<<grid, block >>> (deviceUsers, d_Step, numUsers);

    delete users;
    return 0;
}

Обратите внимание, что массив Step представляет собой одномерный массив с 96 ячейками, и я охватываю 10 деформаций (32 потока в направлении x, и в моем блоке их 10). Каждая деформация будет обращаться к одному и тому же массиву шагов. Это можно увидеть ниже в ядре.

__global__ void calc(Users *users, double *Step, int numUsers) {

    int tId = threadIdx.x + blockIdx.x * blockDim.x;
    int uId = threadIdx.y;

    while (uId < numUsers) {

        double mean00 = users[uId].A[tId]      * Step[tId];
        double mean01 = users[uId].A[tId + 32] * Step[tId + 32];
        double mean02 = users[uId].A[tId + 64] * Step[tId + 64];

        users[uId].A[tId]      = (mean00 == 0? 0 : 1 / mean00);
        users[uId].A[tId + 32] = (mean01 == 0? 0 : 1 / mean01);
        users[uId].A[tId + 64] = (mean02 == 0? 0 : 1 / mean02);

        uId += 10;
    }
}

Теперь, когда я использую NVIDIA Visual Profiler, объединенные извлечения составляют 47%. Я дополнительно исследовал и обнаружил, что массив Step, к которому обращается каждая деформация, вызывает эту проблему. Если я заменю его какой-либо константой, доступ будет объединен на 100%.

Q1) Насколько я понимаю, объединенные доступы связаны с байтовой строкой, т.е. байтовые строки должны быть кратны 32, независимо от того, являются ли они целыми или двухбайтовыми строками. Почему я не получаю объединенный доступ?

Насколько мне известно, cuda всякий раз, когда назначает блок памяти в глобальной памяти устройства, ему назначается четный адрес. Таким образом, до тех пор, пока начальная точка + 32 местоположения доступны через варп, доступ должен быть объединен. Я прав?

Аппаратное обеспечение

Geforce GTX 470, вычислительные возможности 2.0