为什么添加 vmovapd 指令可以使 simd 矢量化代码运行得更快？

问：

我正在对一些高性能数值代码进行矢量化，我注意到使用 Intel 的 SSE、AVX 和 AVX512 指令的 SIMD 矢量化性能与笔记本电脑上矢量寄存器的长度不成比例。我的笔记本电脑有 Tiger Lake 架构。我希望 AVX 的速度是 SSE 的两倍左右，AVX512 的速度是 AVX 的两倍左右。这是 x86-64 汇编中的一个玩具示例，类似于我正在开发的代码，其中注释掉了一条指令：

AVX512测试.s

.globl _start
.text
_start:  
  xor %edx, %edx
loop:
  vmovapd   %zmm17, %zmm18
  vfmadd213pd   %zmm5, %zmm6, %zmm18  
  vfmadd213pd   %zmm4, %zmm17, %zmm18 
  vfmadd213pd   %zmm3, %zmm17, %zmm18 
  vfmadd213pd   %zmm2, %zmm17, %zmm18 
  vfmadd213pd   %zmm1, %zmm17, %zmm18 
  vfmadd213pd   %zmm0, %zmm17, %zmm18 
#  vmovapd  %zmm17, %zmm19
  vfmadd213pd   %zmm15, %zmm16, %zmm19
  vfmadd213pd   %zmm14, %zmm17, %zmm19
  vfmadd213pd   %zmm13, %zmm17, %zmm19
  vfmadd213pd   %zmm12, %zmm17, %zmm19
  vfmadd213pd   %zmm11, %zmm17, %zmm19
  vfmadd213pd   %zmm10, %zmm17, %zmm19
  vfmadd213pd   %zmm9, %zmm17, %zmm19 
  vfmadd213pd   %zmm8, %zmm17, %zmm19 
  vfmadd213pd   %zmm7, %zmm17, %zmm19 
  vdivpd    %zmm19, %zmm18, %zmm18
  inc %edx
  cmp $10000000, %edx
  jne loop
  movq $60, %rax
  syscall

对于 AVX，我有相同的代码，其中 zmm 替换为 ymm，环路长度设置为 20000000，而对于 SSE，zmm 替换为 xmm，环路长度设置为 40000000。如果我取消注释注释的 vmovapd 操作，将其与 、链接 和 运行它，我得到：as -o AVX512test.o AVX512test.sld -o AVX512test.x AVX512.otime ./AVX512test.x

上交所

real    0m0.090s
user    0m0.089s
sys 0m0.000s

AVX的

real    0m0.050s
user    0m0.049s
sys 0m0.000s

AVX512系列

real    0m0.058s
user    0m0.058s
sys 0m0.000s

因此，从 SSE 到 AVX 的扩展性很好，但从 AVX 到 AVX512 则不然。

如果我改为注释掉 vmovapd 指令，我会得到：

上交所

real    0m0.351s
user    0m0.351s
sys 0m0.000s

AVX的

real    0m0.189s
user    0m0.189s
sys 0m0.000s

AVX512系列

real    0m0.109s
user    0m0.109s
sys 0m0.000s

因此，如果没有第二个 vmovapd 操作，计算速度会明显变慢，但另一方面，正如我所期望的那样，它会随着矢量化而扩展。

我的问题是，为什么删除操作会使代码运行速度变慢，为什么 AVX512 不比使用 vmovapd 操作的 AVX 快？

我尝试以不同的方式修改代码，例如在循环体中使用更少和更多的指令，并让所有指令都相同。但是我发现唯一影响性能和矢量寄存器长度缩放显着的是其他指令中是否存在 vmovapd 指令。我有点无知，但想知道它是否与无序执行有关。如果可能的话，我希望在 512 位寄存器上矢量化的代码的速度大约是在 256 位寄存器上矢量化的两倍左右，并且没有注释 vmovapd 指令。