Menggabungkan Paralel dan Vektor

SIMD mengemas banyak nilai ke dalam instruksi satu inti. Utas menyebarkan pekerjaan ke berbagai inti. Menggabungkan keduanya memberikan hasil yang maksimal. ⚡

Gunakan parallelize pada tingkat luar agar setiap inti memiliki satu chunk data. Itulah pembagian kasar di antara inti.

Di dalam setiap chunk, gunakan vectorize agar satu inti memproses irisannya dalam paket SIMD. Itulah pembagian halus untuk setiap inti.

Kedua alat tersebut berada di modul algorithm, sehingga Anda dapat mengimpornya bersama-sama dan menggabungkannya dalam satu fungsi.

Setiap worker chunk menghitung awal dan akhirnya, lalu menyerahkan irisannya sendiri kepada vectorize untuk melakukan pemindaian SIMD.

Di dalam worker, panggil vectorize hanya dengan panjang chunk ini. Lebar SIMD menentukan jumlah lajur yang berjalan secara bersamaan.

Langkah dalam mendapatkan indeks lokal, jadi tambahkan awal chunk untuk mencapai posisi yang tepat dalam array penuh.

Sesuaikan lebar vektor dengan lajur perangkat keras menggunakan simdwidthof agar setiap inti memanfaatkan registernya secara penuh.

Keuntungannya berlipat ganda: banyak inti, masing-masing mengerjakan banyak lajur dalam setiap langkah. Hasil perkalian itulah yang membuat kode gabungan sangat cepat.

Penggabungan ini hanya berhasil karena chunk tidak pernah menyentuh data satu sama lain. Independensi menjaga kedua lapisan tetap aman.

Lakukan tolok ukur pada versi skalar, hanya vektor, dan gabungan. Angka-angka tersebut menunjukkan seberapa besar kontribusi setiap lapisan.

Anda membungkus parallelize pada chunk dan memanggil vectorize di dalam setiap chunk, dengan memberikan ofset berdasarkan awal chunk, sehingga perkalian inti dan lajur meningkatkan throughput Anda berkali-kali lipat. 🚀