uint32_t * uint32_t = uint64_t 向量乘法与 gcc

Question

我正在尝试将uint32_t的向量相乘以产生完整的 64 位结果，从而生成 gcc 中的uint64_t向量。 我期望的结果是 gcc 发出一条VPMULUDQ指令。 但是，gcc 输出的代码是可怕的，源向量的各个uint32_t混编，然后是完整的 64*64=64 乘法。 这是我尝试过的：

#include <stdint.h>

typedef uint32_t v8lu __attribute__ ((vector_size (32)));
typedef uint64_t v4llu __attribute__ ((vector_size (32)));

v4llu mul(v8lu x, v8lu y) {
    x[1] = 0; x[3] = 0; x[5] = 0; x[7] = 0;
    y[1] = 0; y[3] = 0; y[5] = 0; y[7] = 0;
    return (v4llu)x * (v4llu)y;
}

第一个屏蔽掉uint32_t向量中不需要的部分，希望 gcc 能够优化掉 64*64=64 乘法中不需要的部分，然后看到屏蔽也毫无意义。 没有这样的运气。

v4llu mul2(v8lu x, v8lu y) {
    v4llu tx = {x[0], x[2], x[4], x[6]};
    v4llu ty = {y[0], y[2], y[4], y[6]};
    return tx * ty;
}

在这里，我尝试从头开始创建一个uint64_t向量，其中仅包含使用过的部件集。 同样，gcc 应该看到每个uint64_t的前 32 位为 0，而不是进行完整的 64*64=64 乘法。 相反，会发生大量提取和放回值，并且 64*64=64 相乘。

v4llu mul3(v8lu x, v8lu y) {
    v4llu t = {x[0] * (uint64_t)y[0], x[2] * (uint64_t)y[2], x[4] * (uint64_t)y[4], x[6] * (uint64_t)y[6]};
    return t;
}

让我们通过将部分相乘来构建结果向量。 也许 gcc 认为它可以使用VPMULUDQ来实现这一点。 不走运，它回退到 4 个IMUL操作码。

有没有办法告诉 gcc 我想要它做什么（32 * 32 = 64 乘以完美放置的一切）？

注意：内联汇编或内在不是答案。 手动编写操作码显然有效。 但随后我将不得不为许多目标架构和功能集编写不同版本的代码。 我希望 gcc 能够理解问题并从单个源代码中生成正确的解决方案。

Answer 1

正如 chtz 在评论中所指出的， mul1 和 mul2 都由 clang 进行了优化。 类似于 mul3 但使用 for 循环的代码也将被优化（但不是那么好）。

所以在我看来，表达代码应该做什么的语法是正确的，而 gcc 到目前为止只是缺乏正确优化它的聪明才智。