Тупик CUDA AtomicCAS

У меня есть массив matrix со значениями 0, и я хочу увеличить некоторые из его элементов на 1. Индексы matrix, которые я хочу увеличить, хранятся в массиве indices. Мне нужно увеличить некоторые элементы несколько раз, поэтому я пытаюсь использовать массив мьютексов для каждого из элементов в matrix. Но когда я запускаю свой код, программа зависает, и я получаю тупик.

Я застрял с этой проблемой. Что я в конечном итоге хочу сделать, так это нарисовать непрерывный мазок кисти, который перекрывает себя с помощью CUDA, поэтому мне нужно получить доступ к одним и тем же пикселям изображения холста параллельно.

Вот мой код:

#include <iostream>
using namespace std;

__global__ void add_kernel(int* matrix, int* indices, int* d_semaphores, int nof_indices)
{
    int index = threadIdx.x + blockIdx.x * blockDim.x; // thread id
    int ind = indices[index]; // indices of target array A to increment    

    if (index < nof_indices) {
        while (atomicCAS(&d_semaphores[ind], 0, 1) != 0);
        matrix[ind] += 1;
        atomicExch(&d_semaphores[ind], 0);
        __syncthreads();
    }
}

int main()
{
    int nof_indices = 6; // length of an array B
    int indices[6] = { 0,1,2,3,4,1 }; // array B; stores indices of an array A which to increment
    int canvas[10]; // array A
    int semaphores[10]; // mutex array with individual mutexes for each of array A elements

    int* d_canvas;
    int* d_indices;
    int* d_semaphores;

    memset(canvas, 0, sizeof(canvas)); // set all array A elements to 0
    memset(semaphores, 0, sizeof(semaphores)); // set all array A elements to 0    

    cudaMalloc(&d_canvas, sizeof(canvas));
    cudaMalloc(&d_semaphores, sizeof(semaphores));
    cudaMalloc(&d_indices, sizeof(indices));

    cudaMemcpy(d_canvas, &canvas, sizeof(canvas), cudaMemcpyHostToDevice);
    cudaMemcpy(d_indices, &indices, sizeof(indices), cudaMemcpyHostToDevice);
    cudaMemcpy(d_semaphores, &semaphores, sizeof(semaphores), cudaMemcpyHostToDevice);

    add_kernel << <1, 6 >> > (d_canvas, d_indices, d_semaphores, nof_indices);

    cudaMemcpy(&canvas, d_canvas, sizeof(canvas), cudaMemcpyDeviceToHost);

    for (int it = 0; it < nof_indices; it++) {
        cout << canvas[it] << endl;
    }

    cudaFree(d_canvas);
    cudaFree(d_indices);
    cudaFree(d_semaphores);

    return 0;
}

В этом примере результирующий массив matrix должен выглядеть так: {1, 2 ,1 ,1,1,0}, но я получаю его только при запуске ядра с размерами << 6,1 >>.

Я использую CUDA 12.1, Geforce RTX 3060.

Спасибо

(Это работает только тогда, когда я устанавливаю поток на размер блока равным 1, но это не то, что я хочу)