アセンブリを使用した __mm_add_epi32_inplace_purego の最適化

この質問は、バイト配列の位置ポピュレーション カウントを実行する __mm_add_epi32_inplace_purego 関数の内部ループを最適化することを目的としています。目標は、アセンブリ命令を利用してパフォーマンスを向上させることです。

内部ループの元の Go 実装:

    __mm_add_epi32_inplace_purego(&counts[i], expand)

'&counts[i]' を使用して配列要素のアドレスを渡すのは非効率的になる可能性があります。これを最適化するために、代わりに配列全体へのポインタを渡すことができます:

__mm_add_epi32_inplace_inplace_purego(counts, expand)

この変更により、配列を引数として渡すことに伴うオーバーヘッドが軽減されます。

]さらに、アセンブリ命令を使用して内側のループをさらに最適化できます。次のアセンブリ コードは、アセンブリに実装された __mm_add_epi32_inplace_purego のバージョンです:

// func __mm_add_epi32_inplace_asm(counts *[8]int32, expand *[8]int32)
TEXT ·__mm_add_epi32_inplace_asm(SB),NOSPLIT,$0-16
    MOVQ counts 0(FP), DI
    MOVQ expand 8(FP), SI
    MOVL 8*0(DI), AX        // load counts[0]
    ADDL 8*0(SI), AX        // add expand[0]
    MOVL AX, 8*0(DI)        // store result in counts[0]
    MOVL 8*1(DI), AX        // load counts[1]
    ADDL 8*1(SI), AX        // add expand[1]
    MOVL AX, 8*1(DI)        // store result in counts[1]
    MOVL 8*2(DI), AX        // load counts[2]
    ADDL 8*2(SI), AX        // add expand[2]
    MOVL AX, 8*2(DI)        // store result in counts[2]
    MOVL 8*3(DI), AX        // load counts[3]
    ADDL 8*3(SI), AX        // add expand[3]
    MOVL AX, 8*3(DI)        // store result in counts[3]
    MOVL 8*4(DI), AX        // load counts[4]
    ADDL 8*4(SI), AX        // add expand[4]
    MOVL AX, 8*4(DI)        // store result in counts[4]
    MOVL 8*5(DI), AX        // load counts[5]
    ADDL 8*5(SI), AX        // add expand[5]
    MOVL AX, 8*5(DI)        // store result in counts[5]
    MOVL 8*6(DI), AX        // load counts[6]
    ADDL 8*6(SI), AX        // add expand[6]
    MOVL AX, 8*6(DI)        // store result in counts[6]
    MOVL 8*7(DI), AX        // load counts[7]
    ADDL 8*7(SI), AX        // add expand[7]
    MOVL AX, 8*7(DI)        // store result in counts[7]
    RET

このアセンブリ コードは、'counts' と 'expand' の要素をレジスタにロードし、加算を実行して、結果を 'counts' に格納します。配列を引数として渡す必要性を回避し、効率的なアセンブリ命令を使用することにより、このコードは内部ループのパフォーマンスを大幅に向上させます。

要約すると、要素のアドレスの代わりに配列へのポインターを渡すことによって、また、アセンブリに内部ループを実装することにより、__mm_add_epi32_inplace_purego 関数を最適化して、位置人口カウント操作のパフォーマンスを向上させることができます。