Объединение памяти при внедрении уравнений FDTD

Я пытался реализовать уравнения FDTD на графическом процессоре. Сначала я реализовал ядро, которое использовало глобальную память. Объединение памяти было не так уж велико. Поэтому я реализовал другое ядро, которое использовало разделяемую память для загрузки значений. Я работаю над сеткой 1024x1024.

Код ниже

__global__ void update_Hx(float *Hx, float *Ez, float *coef1, float* coef2){
    int x = threadIdx.x + blockIdx.x * blockDim.x;
    int y = threadIdx.y + blockIdx.y * blockDim.y;
    int offset = x + y * blockDim.x * gridDim.x;
    __shared__ float  Ez_shared[BLOCKSIZE_HX][BLOCKSIZE_HY + 1];
    /*int top = offset + x_index_dim;*/
    if(threadIdx.y == (blockDim.y - 1)){
        Ez_shared[threadIdx.x][threadIdx.y] = Ez[offset];
        Ez_shared[threadIdx.x][threadIdx.y + 1] = Ez[offset + x_index_dim];
   }
    else{
        Ez_shared[threadIdx.x][threadIdx.y] = Ez[offset];
    }
}

Константы BLOCKSIZE_HX= 16 и BLOCKSIZE_HY= 16.

Когда я запускаю визуальный профайлер, он все еще говорит, что память не объединена.

EDIT: Я использую графическую карту GT 520 с вычислительной способностью cuda 2.1. Мои глобальные транзакции L2/Access = 7.5 т.е. есть 245 760 транзакций L2 для 32768 исполнений строки Ez_shared[threadIdx.x][threadIdx.y] = Ez[offset];

Global memory load efficiency составляет 50%.

Global memory load efficiency= 100 * gld_requested_throughput/gld_throughput

Я не могу понять, почему так много обращений к памяти, хотя мои потоки ищут 16 последовательных значений. Может ли кто-нибудь указать мне, что я делаю неправильно?

EDIT: Спасибо за помощь.