Effizienz der CUDA-Vektor-Typen (float2, float3, float4)

Ich versuche zu verstehen, die integrate_functor im particles_kernel.cu von CUDA-Beispiele:

struct integrate_functor
{
    float deltaTime;    
    //constructor for functor
    //...

    template <typename Tuple>
    __device__
    void operator()(Tuple t)
    {
        volatile float4 posData = thrust::get<2>(t);
        volatile float4 velData = thrust::get<3>(t);

        float3 pos = make_float3(posData.x, posData.y, posData.z);
        float3 vel = make_float3(velData.x, velData.y, velData.z);

        //update position and velocity
        //...

        //store new position and velocity
        thrust::get<0>(t) = make_float4(pos, posData.w);
        thrust::get<1>(t) = make_float4(vel, velData.w);
    }
};

Nennen wir make_float4(pos, age) aber make_float4 definiert ist, in vector_functions.h als

static __inline__ __host__ __device__ float4 make_float4(float x, float y, float z, float w)
{
    float4 t; t.x = x; t.y = y; t.z = z; t.w = w; return t;
} 

Sind CUDA-Vektor-Typen (float3 und float4) effizienter für die GPU und wie weiß der compiler wissen, wie überlastet die Funktion make_float4?