#1: Implement new benchmark

[lifflander]

Fixes #1

I'm thinking about adding MPI_Get_processor_name in this or we could do it in a script instead.

[lifflander]

This is the output it will produce on 8 ranks and 20 iterations that is meant to be read in by a script:

gather: 0: 3.26723: breakdown: 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272 0.154272
gather: 1: 3.21715: breakdown: 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019 0.149019
gather: 2: 3.24052: breakdown: 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853 0.151853
gather: 3: 3.28802: breakdown: 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015 0.149015
gather: 4: 3.27613: breakdown: 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472 0.147472
gather: 5: 3.27223: breakdown: 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965 0.152965
gather: 6: 3.29078: breakdown: 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535 0.147535
gather: 7: 3.25363: breakdown: 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264 0.151264

[nlslatt]

I had to change this line to link against my installed Trilinos:

target_link_libraries(${SLOW_NODE_EXE} PUBLIC KokkosKernels::kokkoskernels)

[lifflander]

Yes, we need an option to switch between finding Trilinos and linking that way vs. directly using Kokkos kernels.