Как сохранить результат bool функции ядра CUDA

Предположим, что у нас есть 2 ^ 10 ядер CUDA и 2 ^ 20 точек данных. Мне нужно ядро, которое обработает эти точки и предоставит истину / ложь для каждой из них. Так что у меня будет 2 ^ 20 бит. Пример:

bool f(x) { return x % 2? true : false; }

void kernel(int* input, byte* output)
{
tidx = thread.x ...
output[tidx] = f(input[tidx]);

...or...

sharedarr[tidx] = f(input[tidx]);
sync()
output[blockidx] = reduce(sharedarr);

...or...

atomic_result |= f(input[tidx]) << tidx;
sync(..)
output[blckidx] = atomic_result;
}

Thrust / CUDA имеет несколько алгоритмов, таких как «разбиение», «преобразование», которые предоставляют аналогичные альтернативы.

У меня вопрос, когда я пишу соответствующее ядро ​​CUDA с предикатом, который предоставляет соответствующий результат bool,

• я должен использовать один байт для каждого результата и напрямую сохранить результат в выходном массиве? Выполнение одного шага для расчета и выполнение следующего шага для сокращения / разбиения позже.

• я должен сжать вывод в разделяемой памяти, используя один байт для 8 потоков, а затем в конце записать результат из разделяемой памяти в выходной массив?

• я должен использовать атомарные переменные?

Какой лучший способ написать такое ядро ​​и наиболее логичную структуру данных, чтобы сохранить результаты? Лучше использовать больше памяти и просто делать больше операций записи в основную память вместо того, чтобы пытаться сжимать результат перед записью в область памяти результата?