如何高效链式使用AVX2 intrinsics优化Lennard Jones势能计算

1. 修正编译选项 #

你的编译命令仅指定了-mavx，但Intel Core i7-6700原生支持AVX2和FMA指令集，应该改用以下编译参数，让编译器充分利用CPU的高级指令：

gcc -O3 -mavx2 -mfma -o lj_pot lj_pot.c

仅用-mavx会限制编译器生成256位向量指令，无法发挥AVX2的性能优势。

2. 简化计算逻辑，减少冗余运算 #

原公式(d_eq/d_cur)^12 - 2*(d_eq/d_cur)^6可通过中间变量大幅简化：令x = (d_eq/d_cur)^6，公式变为x*x - 2*x。这样将两次高次幂计算缩减为一次6次方计算+一次乘法，显著降低运算量。

AVX2实现示例 #

// 假设已将4个d_cur值加载到__m256d向量，d_eq为常量
__m256d d_eq_vec = _mm256_set1_pd(d_eq);
__m256d ratio = _mm256_div_pd(d_eq_vec, d_cur_vec); // 计算d_eq/d_cur

// 手动计算(ratio)^6，比调用_mm256_pow_pd快得多
__m256d x = _mm256_mul_pd(ratio, ratio);    // (ratio)^2
x = _mm256_mul_pd(x, x);                    // (ratio)^4
x = _mm256_mul_pd(x, ratio);                // (ratio)^6

__m256d x_sq = _mm256_mul_pd(x, x);         // (ratio)^12
__m256d two_x = _mm256_mul_pd(_mm256_set1_pd(2.0), x);
__m256d lj_pot = _mm256_sub_pd(x_sq, two_x);

注意：不要使用_mm256_pow_pd，该内置函数是软件模拟实现，性能远低于手动乘法组合。

3. 保证内存对齐 #

AVX2的256位加载/存储指令要求内存地址对齐到32字节（__m256d占32字节），未对齐的内存访问会大幅降低性能。

• 静态数组声明时指定对齐：

  double d_cur[4] __attribute__((aligned(32)));
  

• 动态分配内存时使用对齐分配函数：

  double* d_cur;
  posix_memalign((void**)&d_cur, 32, 4 * sizeof(double));
  

4. 减少不必要的寄存器交互 #

• 尽量在向量寄存器内完成所有计算，避免频繁将向量值存回内存再读取，减少数据移动开销。
• 检查代码中是否存在循环内分支，分支会破坏CPU流水线预测，AVX2代码对分支更加敏感。若有分支，尝试用_mm256_blendv_pd等条件移动指令替代。

5. 对比编译器自动矢量化效果 #

GCC在-O3 -mavx2 -mfma参数下的自动矢量化能力很强，你可以先注释掉手写的AVX2代码，让编译器优化标量版本，再对比性能。如果自动矢量化的结果更优，说明你的手写AVX2代码存在冗余指令或不合理的序列。

例如标量核心代码可以写成：

double lj_potential(double d_eq, double d_cur) {
    double ratio = d_eq / d_cur;
    double x = ratio * ratio * ratio * ratio * ratio * ratio; // 计算(ratio)^6
    return x*x - 2.0*x;
}

编译器会自动将循环中的这段代码矢量化为高效的AVX2指令。

6. 循环展开降低控制开销 #

如果处理的邻居对数量较多，可将循环展开，比如一次处理8个数据（两次AVX2操作），减少循环判断、跳转的开销，进一步提升并行效率。

内容的提问来源于stack exchange，提问作者Stef1611