为什么编译器在连续存储到 memory 之前将结果存储到单个寄存器而不是许多不同的寄存器？

Question

例如，查看由gcc生成的这段代码。

.L11:
        vpand   ymm0, ymm1, YMMWORD PTR [rax]
        add     rax, 224
        vmovdqa YMMWORD PTR [rax-224], ymm0
        vpand   ymm0, ymm2, YMMWORD PTR [rax-192]
        vmovdqa YMMWORD PTR [rax-192], ymm0
        vpand   ymm0, ymm3, YMMWORD PTR [rax-160]
        vmovdqa YMMWORD PTR [rax-160], ymm0
        vpand   ymm0, ymm4, YMMWORD PTR [rax-128]
        vmovdqa YMMWORD PTR [rax-128], ymm0
        vpand   ymm0, ymm5, YMMWORD PTR [rax-96]
        vmovdqa YMMWORD PTR [rax-96], ymm0
        vpand   ymm0, ymm6, YMMWORD PTR [rax-64]
        vmovdqa YMMWORD PTR [rax-64], ymm0
        vpand   ymm0, ymm7, YMMWORD PTR [rax-32]
        vmovdqa YMMWORD PTR [rax-32], ymm0
        cmp     rax, rsi
        jb      .L11

它可以满足我的要求，但我注意到的一件事是，在存储到ymm0之前，结果总是存储到 ymm0。 我的意思是，我知道vpand不能直接对 memory 进行操作，但是这样不是更高效吗？

.L11:
        vpand   ymm8, ymm1, YMMWORD PTR [rax]
        add     rax, 224
        vmovdqa YMMWORD PTR [rax-224], ymm8
        vpand   ymm9, ymm2, YMMWORD PTR [rax-192]
        vmovdqa YMMWORD PTR [rax-192], ymm9
        vpand   ymm10, ymm3, YMMWORD PTR [rax-160]
        vmovdqa YMMWORD PTR [rax-160], ymm10
        vpand   ymm11, ymm4, YMMWORD PTR [rax-128]
        vmovdqa YMMWORD PTR [rax-128], ymm11
        vpand   ymm12, ymm5, YMMWORD PTR [rax-96]
        vmovdqa YMMWORD PTR [rax-96], ymm12
        vpand   ymm13, ymm6, YMMWORD PTR [rax-64]
        vmovdqa YMMWORD PTR [rax-64], ymm13
        vpand   ymm0, ymm7, YMMWORD PTR [rax-32]
        vmovdqa YMMWORD PTR [rax-32], ymm0
        cmp     rax, rsi
        jb      .L11

这样，我认为可以并行完成更多操作，因为没有通过ymm0进行依赖。

它使用了更多的寄存器，但是这个 function 无论如何都使用了所有 16 ymm s，并且在这部分之后，新的值被加载到每个寄存器中，所以使用更多的寄存器并不是问题。

我检查了clang ，它产生了相同的代码，只是寄存器号不同。

如果我使用第二种寄存器分配方式直接在汇编中编写，我可以期待明显的加速吗？

我实际上可以测试并查看，但是直接在汇编中编写对我来说并不是一件容易的事，还有其他部分需要处理，所以我问这个问题是为了首先更好地了解连续 memory 商店使用不同的寄存器是否可以实际提高性能。