CUDA: использование общей памяти для возврата массива из функций устройства

можно ли выделить общую память для ядра (внутри или снаружи) и использовать ее в других функциях устройства, вызываемых из ядра? Особенно интересно для меня будет, если/как я могу использовать его как возвращаемый параметр/массив.

Кажется, не проблема использовать общую память в качестве входного параметра в функциях устройства (по крайней мере, я не получаю проблем, ошибок или неожиданных результатов.

Когда я использую его как возвращаемый параметр, у меня возникает несколько проблем:

• Я могу запустить программу, когда она была построена из конфигурации отладки.

• Но я не могу его отладить -> он падает в функциях устройства, когда я использую общую память

• Также я получаю ошибки с cuda-memchecker -> неверным чтением __global__, потому что адрес выходит за пределы и он читается из общего адресного пространства.

Так можно ли использовать разделяемую память для возврата массивов из функций устройства в ядро?

РЕДАКТИРОВАТЬ:

Я написал очень простой пример, чтобы исключить другие ошибки, сделанные мной.

#define CUDA_CHECK_RETURN(value) {                                      \
    cudaError_t _m_cudaStat = (value);                                  \
    if (_m_cudaStat != cudaSuccess) {                                   \
        printf( "Error %s at line %d in file %s\n",                     \
                cudaGetErrorString(_m_cudaStat), __LINE__, __FILE__);   \
        exit(-1);                                                       \
    } }

__device__ void Function( const int *aInput, volatile int *aOutput )
{
    for( int i = 0; i < 10; i++ )
        aOutput[i] = aInput[i] * aInput[i];
}

__global__ void Kernel( int *aInOut )
{
     __shared__ int aShared[10];

    for(int i=0; i<10; i++)
        aShared[i] = i+1;

    Function( aShared, aInOut );
}

int main( int argc, char** argv )
{
    int *hArray = NULL;
    int *dArray = NULL;

    hArray = ( int* )malloc( 10*sizeof(int) );
    CUDA_CHECK_RETURN( cudaMalloc( (void**)&dArray, 10*sizeof(int) ) );

    for( int i = 0; i < 10; i++ )
            hArray[i] = i+1;

    CUDA_CHECK_RETURN( cudaMemcpy( dArray, hArray, 10*sizeof(int), cudaMemcpyHostToDevice ) );
    cudaMemcpy( dArray, hArray, 10*sizeof(int), cudaMemcpyHostToDevice );

    Kernel<<<1,1>>>( dArray );

    CUDA_CHECK_RETURN( cudaMemcpy( hArray, dArray, 10*sizeof(int), cudaMemcpyDeviceToHost ) );
    cudaMemcpy( hArray, dArray, 10*sizeof(int), cudaMemcpyDeviceToHost );

    free( hArray );
    CUDA_CHECK_RETURN( cudaFree( dArray ) );
    cudaFree( dArray );

    return 0;
}

Я запускаю ядро ​​по одному блоку потоков и по одному потоку на блок. Собрать программу и запустить ее не проблема. Я получаю ожидаемые результаты. Но если программа тестируется cuda-memchecker, она завершает работу ядра и появляется следующий журнал.

Error unspecified launch failure at line 49 in file ../CuTest.cu
========= Invalid __global__ read of size 4
=========     at 0x00000078 in /home/strautz/Develop/Software/CuTest/Debug/../CuTest.cu:14:Function(int const *, int volatile *)
=========     by thread (0,0,0) in block (0,0,0)
=========     Address 0x01000000 is out of bounds
=========     Device Frame:/home/strautz/Develop/Software/CuTest/Debug/../CuTest.cu:25:Kernel(int*) (Kernel(int*) : 0xd0)
=========     Saved host backtrace up to driver entry point at kernel launch time
=========     Host Frame:/usr/lib/libcuda.so (cuLaunchKernel + 0x34b) [0x55d0b]
=========     Host Frame:/usr/lib/libcudart.so.5.0 [0x8f6a]
=========
========= Program hit error 4 on CUDA API call to cudaMemcpy 
=========     Saved host backtrace up to driver entry point at error
=========     Host Frame:/usr/lib/libcuda.so [0x24e129]
=========     Host Frame:/usr/lib/libcudart.so.5.0 (cudaMemcpy + 0x2bc) [0x3772c]
=========     Host Frame:[0x5400000]
=========
========= ERROR SUMMARY: 2 errors

Должна ли разделяемая память выравниваться, нужно ли делать что-то еще или ее можно игнорировать - не думаю?