目前可做的任务有：
- 验证32bits系统的正确性。(double rescale)
- 实现高维度的NTT：16K\32K\64K维度
- 使用mma指令取代WMMA指令的实现NTT，优化访存，以及bank conflict\ncu分析等
- 向范师兄讨论优化提升点
- 小维度NTT实现，即小规模参数下的FHE评估，例如模数取小加上维度取小。这里小维度NTT可以探索使用更小规模的mma指令进行实现？以及32-radix蝶形拆为4 * 8 的两步蝶形实现？
- 测试一下twist版本的NTT实现性能（即Warpdrive里的实现），看看转置等步骤的应用。
- 优化NTT，如不使用SMEM、优化访存、优化实现算法、NCU分析等。
- 对于32bits系统的TCU，似乎可以实现24bits以下的素数NTT？而不是28bits？这样可以减少计算量。例如对于40bits的素数，可以等效替换为23 + 23。
- 可以看看其它开源的源码实现，如phantom、openfhe等。
- 合理利用AI coder工具，但不要太过依赖，建议二八开。
一些想法：
- 使用TCU加速向量加法。CUDA core 和 TCU 并行加速…