Keluaran pengkompil ISPC 1.31 yang dibangunkan oleh Intel untuk bahasa C dengan sambungan SPMD

Intel telah menerbitkan ISPC 1.31 (Implicit SPMD Program Compiler), yang direka untuk mengkompil kod C dengan sambungan pengaturcaraan selari SPMD (Single Program, Multiple Data), yang membolehkan pelaksanaan selari berbilang contoh program tunggal dengan set data input yang berbeza. Kod projek ditulis dalam C++ dan diedarkan di bawah lesen BSD. Ia menyokong Linux, Windows, macOS dan FreeBSD.

Program C dengan sambungan SPMD disusun untuk pelaksanaan pada unit pengiraan SIMD yang disediakan oleh CPU dan GPU, yang membolehkan anda menggunakan mekanisme vektorisasi SIMD tanpa pengoptimuman peringkat rendah dan penggunaan eksplisit arahan SIMD dalam kod. Untuk menulis fungsi boleh selari, sintaks dan simpulan bahasa yang biasa digunakan dalam bahasa C - Fungsi SPMD berinteraksi secara langsung dengan fungsi dan struktur yang ditulis dalam C/C++. Penyahpepijat sedia ada boleh digunakan untuk nyahpepijat atur cara.

ISPC menggunakan infrastruktur LLVM sebagai bahagian belakang untuk penjanaan dan pengoptimuman kod. Arahan vektor x86 (SSE2, SSE4, AVX, AVX2, AVX512) dan ARM (NEON) disokong, serta memunggah pengiraan ke bahagian GPU (Intel Gen9 dan Xe). Pada seni bina dengan blok vektor SSE memproses 4 elemen pada satu masa, penggunaan ISPC memungkinkan untuk mencapai pecutan pelaksanaan program sebanyak 3 kali atau lebih, dan pada seni bina dengan blok vektor AVX memproses 8 elemen pada satu masa, pecutan boleh mencapai 5- 6 kali. Selain itu, sebagai tambahan kepada saiz blok vektor, penskalaan juga dipastikan dengan pelaksanaan pada teras pemproses yang berbeza.

Inovasi utama ditambah dalam versi ISPC 1.31:

• Добавлена экспериментальная поддержка 64-разрядной little-endian архитектуры PowerPC (ppc64le). По умолчанию осуществляется сборка для POWER ISA 2.7 (POWER8+) с расширениями VSX (Vector Scalar Extension).
• Добавлены новые сборочные цели avx10.2nvl-x4, avx10.2nvl-x8, avx10.2nvl-x16, avx10.2nvl-x32 и avx10.2nvl-x64, реализующие поддержку расширенный наборов инструкций AVX10.2 (Advanced Vector Extensions) и APX (Advanced Performance Extensions) для процессоров на базе микроархитектуры Intel Nova Lake.
• В диспетчеризаторе обеспечен выбор вариантов сборочных целей с поддержкой AMX (avx512spr, avx512gnr, avx10.2dmr) только при реальной поддержке расширений AMX (Advanced Matrix Extensions) в операционной системе и CPU.
• Добавлена опция «—opt=disable-apx» для выборочного отключения отдельных возможностей x86 APX (egpr, ndd, push2pop2, ppx, ccmp, cf, nf, zu и jmpabs), которые по умолчанию включены в поддерживающих APX сборочных целях, таких как avx10.2dmr и avx10.2nvl.
• Добавлены сбалансированный («balanced») и агрессивный («aggressive») режимы оптимизации математических вычислений, включаемые через опцию «—opt=fast-math» и более агрессивные по сравнению с применяемым по умолчанию режимом оптимизации.
• В сандартную библиотеку добавлены новые математические функции:
  erf, erfc (функции ошибок Гаусса), expm1 (точное вычисление «exp(x)-1»), log1p («log(1+x)»), sinh, cosh и tanh (гиперболические синус, косинус и тангенс). Повышена точность и производительность функций asin, acos, atan и log.
• Значительно повышена производительность 32-битных операций перестановки (shuffles) для сборочной цели avx2-i32x16 и вычислений popcnt для целей avx2-i8x32, avx512skx-x32 и avx512skx-x64.
• Инструментарий LLVM обновлён до находящейся в разработке ветки 23.

Sumber: opennet.ru