如何用带进位反馈的AVX实现16位值并行加法（PE校验和）

问题背景 #

需要用AVX SIMD实现8个16位无符号整数的并行加法，要求每个元素加法溢出时，结果额外加1（类似对每个元素独立执行带自身进位的加法）。原实现通过标量循环处理进位，即使开启-O3优化效率仍极低，需优化为纯SIMD方案。

优化方案 #

核心思路 #

无符号16位加法溢出的判断条件：若a + b的结果（模2^16后）小于a（或b），则说明加法溢出。利用SIMD比较指令生成溢出掩码，再通过SIMD指令完成条件加1操作，全程无需标量循环。

方案1：AVX2实现（无需K寄存器） #

使用AVX2指令集的无符号比较和向量操作，全程在XMM寄存器内完成：

#include <immintrin.h>

__m128i parallel_add_with_carry(__m128i n1, __m128i n2) {
    // 1. 计算并行加法结果（溢出时自动模2^16）
    __m128i sum = _mm_add_epi16(n1, n2);
    // 2. 无符号比较：sum < n1 时，对应元素生成0xFFFF，否则0x0000
    __m128i overflow_mask = _mm_cmplt_epu16(sum, n1);
    // 3. 将掩码转换为0x0001（溢出）或0x0000（无溢出）的向量
    __m128i carry = _mm_and_si128(overflow_mask, _mm_set1_epi16(1));
    // 或用移位替代：__m128i carry = _mm_srli_epi16(overflow_mask, 15);
    // 4. 对溢出元素加1
    return _mm_add_epi16(sum, carry);
}

关键指令说明

• _mm_cmplt_epu16：对应汇编指令vpcmpuw $0（无符号小于比较），直接生成每个元素的溢出掩码。
• _mm_and_si128/_mm_srli_epi16：将掩码向量转换为仅保留0x0001或0x0000的进位向量。

方案2：AVX-512实现（利用K寄存器） #

AVX-512的掩码寄存器（K0-K7）可直接控制SIMD操作的元素范围，无需生成掩码向量，效率更高：

#include <immintrin.h>

__m128i parallel_add_with_carry_avx512(__m128i n1, __m128i n2) {
    // 1. 计算并行加法结果
    __m128i sum = _mm_add_epi16(n1, n2);
    // 2. 生成8位K掩码：对应元素溢出则置1
    __mmask8 overflow_mask = _mm_cmplt_epu16_mask(sum, n1);
    // 3. 仅对掩码为1的元素执行加1操作
    return _mm_mask_add_epi16(sum, overflow_mask, sum, _mm_set1_epi16(1));
}

关键指令说明

• _mm_cmplt_epu16_mask：对应汇编指令vpcmpuw $0, %xmm0, %xmm1, %k1，直接生成K寄存器掩码。
• _mm_mask_add_epi16：对应汇编指令vpaddw %xmm2, %xmm0, %xmm0 {%k1}，仅对掩码选中的元素执行加法。

对问题的针对性解答 #

1. vpcmp<CC>uw指令的作用：完全有用。vpcmpuw $0（LT条件）是实现SIMD溢出判断的核心，能直接并行比较每个16位元素的无符号大小，生成溢出掩码。
2. K寄存器的使用方式：通过无符号比较指令生成对应位数的K掩码，再配合带掩码的SIMD加法指令，直接对溢出元素执行加1操作，避免了掩码向量的转换开销，最大化SIMD并行效率。

原代码的问题分析 #

原代码使用volatile union存储向量数据，后续通过标量循环处理进位，完全破坏了SIMD的并行性：

• volatile会强制编译器将向量数据写入内存，而非保留在寄存器中，增加内存读写开销。
• 标量循环将SIMD计算的结果拆分为单个元素处理，完全丧失了SIMD的并行优势。

测试验证 #

替换原parallel_add_with_carry函数后，测试用例输出结果与预期一致：

void test(void) {
    uint16vec v1 = {0}, v2 = {0}, res;
    v1.y[0] = 0x000A; v2.y[0] = 0x0014; // 10+20=30，无溢出，结果0x001E
    v1.y[1] = 0xFFF0; v2.y[1] = 0x0013; // 0xFFF0+0x0013=0x10003，溢出后模2^16得0x0003，加1后为0x0004
    res.x = parallel_add_with_carry(v1.x, v2.x);
    fprintf(stdout,"%04X | %04X\n", res.y[0], res.y[1]);
}

输出：001E | 0004

内容的提问来源于stack exchange，提问作者Devvy