OpenCL медленный доступ к памяти в цикле for

У меня есть программа, которую я построил на OpenCL, в которой каждое ядро ​​обращается к буферу только для чтения, расположенному в глобальной памяти. В какой-то момент каждому ядру необходимо скопировать некоторые данные из глобальной памяти во временный буфер. Я сделал цикл for для побайтного копирования области глобальной памяти во временный буфер. Я выполняю вышеупомянутое ядро ​​с помощью команды clEnqueueNDRangeKernel, которая находится внутри цикла while. Чтобы измерить скорость выполнения команды clEnqueueNDRangeKernel, я добавил счетчик под названием ups (обновлений в секунду), который увеличивается в конце каждого цикла while. Каждую секунду я печатаю значение счетчика и устанавливаю его на ноль.

Я заметил, что моя программа работает медленно, примерно 53 срабатывания. После некоторого расследования я обнаружил, что проблема заключалась в описанном выше цикле копирования памяти. Это код:

typedef uchar byte;

byte tempBuffer[128]

byte* destPtr = (byte*)&tempBuffer0];
__global const byte* srcPtr = (__global const byte*)globalMemPtr;

for(size_t k = 0; k < regionSize; ++k)
{
    destPtr[k] = srcPtr[k];
}

В переменной globalMemPtr находится указатель на область глобальной памяти, которую нужно скопировать во временный буфер, а в tempBuffer - временный буфер. Переменная regionSize содержит размер копируемой области в байтах. В данном случае его значение равно 12.

Что я заметил, так это то, что если я заменю regionSize на 12, ядро ​​будет работать намного быстрее, примерно на 90 иб / сек. Я предполагаю, что компилятор OpenCL может оптимизировать цикл for, чтобы копировать память намного быстрее, когда используется 12, но не может, когда используется regionSize.

Кто-нибудь знает, что происходит? Может кто-нибудь помочь мне?