JEP 469: Vector API (Eighth Incubator)

Аннотация

Ввести API для выражения векторных вычислений, которые во время выполнения надёжно компилируются в оптимальные векторные инструкции на поддерживаемых архитектурах процессоров, и тем самым добиться производительности выше, чем у эквивалентных скалярных вычислений.

История

Впервые мы предложили Vector API в JEP 338; он вошёл в JDK 16 как API в статусе Incubator. Последующие версии в статусе Incubator мы предлагали в JEP 414 (вошёл в JDK 17), JEP 417 (JDK 18), JEP 426 (JDK 19), JEP 438 (JDK 20), JEP 448 (JDK 21) и JEP 460 (JDK 22).

Здесь мы предлагаем снова выпустить API в статусе Incubator в JDK 23 без изменений API и без существенных изменений реализации по сравнению с JDK 22.

Vector API будет оставаться в статусе Incubator, пока необходимые возможности проекта Valhalla не станут доступны как возможности в статусе Preview (предварительная версия). Тогда мы адаптируем Vector API и его реализацию, чтобы использовать их, и переведём Vector API из статуса Incubator в статус Preview.

Цели

• Понятный и лаконичный API — API должен позволять ясно и лаконично выражать широкий спектр векторных вычислений, состоящих из последовательностей векторных операций, скомпонованных в циклах и, возможно, с управляющей логикой. Должна быть возможность выразить вычисление, обобщённое по размеру вектора, то есть по количеству линий в векторе, чтобы такие вычисления были переносимы между аппаратными платформами с разными размерами векторов.

• Независимость от платформы — API не должен зависеть от архитектуры процессора, чтобы его можно было реализовать на нескольких архитектурах, поддерживающих векторные инструкции. Как обычно для Java API, при конфликте между оптимизацией под платформу и переносимостью мы будем склоняться к переносимости API, даже если в результате некоторые платформенно-специфичные идиомы нельзя будет выразить в переносимом коде.

• Надёжная компиляция во время выполнения и производительность на архитектурах x64 и AArch64 — На подходящих архитектурах x64 среда выполнения Java, а именно компилятор HotSpot C2, должна компилировать векторные операции в соответствующие эффективные и производительные векторные инструкции, например поддерживаемые Streaming SIMD Extensions (SSE) и Advanced Vector Extensions (AVX). Разработчики должны быть уверены, что выраженные ими векторные операции будут надёжно и близко отображаться на соответствующие векторные инструкции. Аналогично, на подходящих архитектурах ARM AArch64 C2 будет компилировать векторные операции в векторные инструкции, поддерживаемые NEON и SVE.

• Плавная деградация — Иногда векторное вычисление невозможно во время выполнения полностью выразить в виде последовательности векторных инструкций, например потому, что архитектура не поддерживает некоторые из нужных инструкций. В таких случаях реализация Vector API должна плавно деградировать и продолжать работать. Это может включать выдачу предупреждений, если векторное вычисление нельзя эффективно скомпилировать в векторные инструкции. На платформах без векторов плавная деградация даст код, сопоставимый с вручную развёрнутыми циклами, где коэффициент развёртки равен количеству линий в выбранном векторе.

• Согласованность с проектом Valhalla — Долгосрочная цель Vector API — использовать улучшения объектной модели Java из проекта Valhalla. В первую очередь это означает, что текущие классы, основанные на значениях, в Vector API станут Value Classes (классы-значения), чтобы программы могли работать с Value Objects (объекты-значения), то есть с экземплярами классов, у которых нет Identity (идентичность объекта). Подробнее см. разделы о компиляции во время выполнения и дальнейшей работе.

Что не является целью

• Улучшение существующего алгоритма автовекторизации в HotSpot не является целью.

• Поддержка векторных инструкций на архитектурах процессоров, отличных от x64 и AArch64, не является целью. Однако важно подчеркнуть, как сказано в целях, что API не должен исключать такие реализации.

• Поддержка компилятора C1 не является целью.

• Гарантированная поддержка строгих вычислений с плавающей точкой, которую платформа Java требует для скалярных операций, не является целью. Результаты операций с плавающей точкой над скалярами с плавающей точкой могут отличаться от результатов эквивалентных операций с плавающей точкой над векторами скаляров с плавающей точкой. Все отклонения будут чётко задокументированы. Это не исключает возможности выражать или контролировать требуемую точность или воспроизводимость векторных вычислений с плавающей точкой.

Мотивация

Векторное вычисление состоит из последовательности операций над векторами. Вектор представляет собой (обычно) фиксированную последовательность скалярных значений, количество которых соответствует количеству векторных линий, определённому аппаратурой. Бинарная операция, применённая к двум векторам с одинаковым числом линий, для каждой линии применяет эквивалентную скалярную операцию к двум соответствующим скалярным значениям из каждого вектора. Обычно это называют Single Instruction Multiple Data (SIMD).

Векторные операции выражают определённую степень параллелизма, благодаря которой за один такт процессора выполняется больше работы, и поэтому могут давать значительный прирост производительности. Например, если есть два вектора, каждый из которых содержит последовательность из восьми целых чисел (то есть восемь дорожек), их можно сложить одной аппаратной инструкцией. Инструкция векторного сложения обрабатывает шестнадцать целых чисел, выполняя восемь целочисленных сложений, за то время, которое обычно уходит на обработку двух целых чисел с одним целочисленным сложением.

HotSpot уже поддерживает автовекторизацию, которая преобразует скалярные операции в операции над суперсловами (superword), а те затем отображаются на векторные инструкции. Набор преобразуемых скалярных операций ограничен и, кроме того, чувствителен к изменениям в структуре кода. Более того, может использоваться лишь часть доступных векторных инструкций, что ограничивает производительность сгенерированного кода.

Сегодня разработчик, который хочет писать скалярные операции, надёжно преобразуемые в операции над суперсловами, должен понимать алгоритм автовекторизации HotSpot и его ограничения, чтобы добиться надёжной и устойчивой производительности. В некоторых случаях написать преобразуемые скалярные операции может оказаться невозможно. Например, HotSpot не преобразует простые скалярные операции для вычисления хэш-кода массива (методы Arrays::hashCode) и не может автоматически векторизовать код лексикографического сравнения двух массивов (поэтому мы добавили встроенную функцию (intrinsic) для лексикографического сравнения).

Vector API призван улучшить ситуацию: он даёт способ писать сложные векторные алгоритмы на Java с использованием существующего автовекторизатора HotSpot, но с пользовательской моделью, которая делает векторизацию гораздо более предсказуемой и надёжной. Написанные вручную векторные циклы позволяют выразить высокопроизводительные алгоритмы, например векторизованный hashCode или специализированные сравнения массивов, которые автовекторизатор может так никогда и не оптимизировать. Этот явный векторный API может быть полезен во многих областях, включая машинное обучение, линейную алгебру, криптографию, финансы и код самого JDK.

Описание

Вектор представлен абстрактным классом Vector<E>. Переменная типа E инстанцируется упакованным типом скалярных примитивных целочисленных типов элементов или типов элементов с плавающей точкой, охватываемых вектором. У вектора также есть форма (shape), определяющая размер вектора в битах. Форма вектора определяет, как экземпляр Vector<E> отображается на аппаратный векторный регистр при компиляции векторных вычислений компилятором HotSpot C2. Длина вектора, то есть количество линий или элементов, равна размеру вектора, делённому на размер элемента.

Поддерживаются следующие типы элементов (E): Byte, Short, Integer, Long, Float и Double, соответствующие скалярным примитивным типам byte, short, int, long, float и double соответственно.

Поддерживаемые формы соответствуют размерам векторов 64, 128, 256 и 512 бит, а также max бит. Форма размером 512 бит может упаковать значения byte в 64 линии или значения int в 16 линий, и вектор такой формы может обрабатывать 64 значения byte или 16 значений int за раз. Форма max бит поддерживает максимальный размер вектора текущей архитектуры. Это позволяет поддерживать платформу ARM SVE, где реализации платформы могут поддерживать любой фиксированный размер от 128 до 2048 бит с шагом 128 бит.

Мы считаем, что эти простые формы достаточно универсальны, чтобы быть полезными на всех актуальных платформах. Однако по мере экспериментов с будущими платформами, пока этот API находится в статусе Incubator, мы можем дополнительно изменить устройство параметра формы. Такая работа не входит в начальный объём этого проекта, но эти возможности отчасти определяют нынешнюю роль форм в Vector API. (Подробнее см. раздел дальнейшей работы ниже.)

Сочетание типа элемента и формы определяет вид (species) вектора, представленный VectorSpecies<E>.

Операции над векторами делятся на поэлементные (lane-wise) и междорожечные (cross-lane).

• Поэлементная операция параллельно применяет скалярный оператор, например сложение, к каждой дорожке одного или нескольких векторов. Поэлементная операция обычно, но не всегда, даёт вектор той же длины и формы. Поэлементные операции далее делятся на унарные, бинарные, тернарные операции, операции проверки и операции преобразования.

• Межлинейная (cross-lane) операция применяется ко всему вектору целиком. Межлинейная операция возвращает либо скаляр, либо вектор, возможно, другой формы. Межлинейные операции далее подразделяются на операции перестановки и редукции.

Чтобы уменьшить поверхность API, мы определяем общие методы для каждого класса операций. Эти методы принимают на вход константы операторов; эти константы — экземпляры класса VectorOperator.Operator, определённые в полях static final класса VectorOperators. Для удобства мы определяем специальные методы, которые можно использовать вместо обобщённых, для некоторых распространённых полнофункциональных (full-service) операций, таких как сложение и умножение.

Некоторые операции над векторами, например преобразование и реинтерпретация, по своей природе изменяют форму, то есть возвращают векторы, формы которых отличаются от форм входных векторов. Операции, изменяющие форму, в векторном вычислении могут негативно влиять на переносимость и производительность. Поэтому API определяет не зависящий от формы вариант каждой операции, изменяющей форму, где это применимо. Для наилучшей производительности разработчикам следует по возможности писать не зависящий от формы код с использованием не зависящих от формы операций. Операции, изменяющие форму, отмечены как таковые в спецификации API.

Класс Vector<E> объявляет набор методов для распространённых векторных операций, поддерживаемых всеми типами элементов. Для операций, специфичных для типа элемента, существует шесть абстрактных подклассов Vector<E>, по одному для каждого поддерживаемого типа элемента: ByteVector, ShortVector, IntVector, LongVector, FloatVector и DoubleVector. Эти подклассы для конкретных типов определяют дополнительные операции, привязанные к типу элемента, поскольку сигнатура метода ссылается либо на тип элемента, либо на соответствующий тип массива. Примеры таких операций — редукция (например, суммирование всех линий в скалярное значение) и копирование элементов вектора в массив. Эти подклассы также определяют дополнительные полнофункциональные операции, специфичные для целочисленных подтипов (например, побитовые операции, такие как логическое «или»), а также операции, специфичные для типов с плавающей точкой (например, трансцендентные математические функции, такие как возведение в степень).

В реализации эти подклассы Vector<E> для конкретных типов дополнительно расширяются конкретными подклассами для разных форм векторов. Эти конкретные подклассы не являются публичными, поскольку нет необходимости предоставлять операции, специфичные для типов и форм. Благодаря этому поверхность API сводится к сумме аспектов, а не к их произведению. Экземпляры конкретных классов Vector получают через фабричные методы, определённые в базовом классе Vector<E> и его подклассах для конкретных типов. Эти фабрики принимают на вход вид нужного экземпляра вектора и создают различные экземпляры, например экземпляр вектора, элементы которого имеют значения по умолчанию (то есть нулевой вектор), или экземпляр вектора, инициализированный из заданного массива.

Для поддержки управляющей логики некоторые векторные операции могут дополнительно принимать маски, представленные публичным абстрактным классом VectorMask<E>. Каждый элемент маски — булево значение, соответствующее линии вектора. Маска выбирает линии, к которым применяется операция: операция применяется, если элемент маски для линии равен true, и выполняется некоторое альтернативное действие, если он равен false.

Как и в случае векторов, экземпляры VectorMask<E> являются экземплярами непубличных конкретных подклассов, определённых для каждого сочетания типа элементов и длины. Экземпляр VectorMask<E>, используемый в операции, должен иметь тот же тип и ту же длину, что и экземпляры векторов, участвующие в операции. Операции сравнения векторов дают маски, которые затем можно передавать на вход другим операциям, чтобы выборочно работать с определёнными дорожками и тем самым эмулировать поток управления. Маски также можно создавать с помощью статических фабричных методов класса VectorMask<E>.

Мы ожидаем, что маски будут играть важную роль в разработке векторных вычислений, обобщённых по форме. Это ожидание основано на ключевой роли предикатных регистров, эквивалента масок, в ARM Scalable Vector Extensions и в Intel AVX-512.

На таких платформах экземпляр VectorMask<E> отображается на предикатный регистр, а операция, принимающая маску, компилируется в векторную инструкцию, принимающую предикатный регистр. На платформах, которые не поддерживают предикатные регистры, применяется менее эффективный подход: экземпляр VectorMask<E> по возможности отображается на совместимый векторный регистр, а операция, принимающая маску, в общем случае составляется из эквивалентной операции без маски и операции смешивания (blend).

Для поддержки операций перестановки между дорожками некоторые векторные операции принимают перестановки (shuffles), представленные публичным абстрактным классом VectorShuffle<E>. Каждый элемент перестановки — значение int, соответствующее индексу дорожки. Перестановка — это отображение индексов дорожек, описывающее перемещение элементов дорожек из заданного вектора в результирующий вектор.

Как и в случае векторов и масок, экземпляры VectorShuffle<E> являются экземплярами непубличных конкретных подклассов, определённых для каждого сочетания типа элементов и длины. Экземпляр VectorShuffle<E>, используемый в операции, должен иметь тот же тип и ту же длину, что и экземпляры векторов, участвующие в операции.

Пример

Вот простое скалярное вычисление над элементами массивов:

void scalarComputation(float[] a, float[] b, float[] c) {
   for (int i = 0; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
   }
}

(Мы предполагаем, что массивы-аргументы имеют одинаковую длину.)

Вот эквивалентное векторное вычисление с использованием Vector API:

static final VectorSpecies<Float> SPECIES = FloatVector.SPECIES_PREFERRED;

void vectorComputation(float[] a, float[] b, float[] c) {
    int i = 0;
    int upperBound = SPECIES.loopBound(a.length);
    for (; i < upperBound; i += SPECIES.length()) {
        // FloatVector va, vb, vc;
        var va = FloatVector.fromArray(SPECIES, a, i);
        var vb = FloatVector.fromArray(SPECIES, b, i);
        var vc = va.mul(va)
                   .add(vb.mul(vb))
                   .neg();
        vc.intoArray(c, i);
    }
    for (; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
    }
}

Сначала мы получаем из FloatVector предпочтительный вид, форма которого оптимальна для текущей архитектуры. Мы сохраняем его в поле static final, чтобы компилятор времени выполнения рассматривал это значение как константу и поэтому мог лучше оптимизировать векторное вычисление. Затем основной цикл проходит по входным массивам шагами, равными длине вектора, т. е. длине вида. Он загружает векторы float заданного вида из массивов a и b по соответствующему индексу, последовательно выполняет арифметические операции, а затем сохраняет результат в массив c. Если после последней итерации остались элементы массива, то результаты для этих хвостовых элементов вычисляются обычным скалярным циклом.

Эта реализация достигает оптимальной производительности на больших массивах. Компилятор HotSpot C2 генерирует на процессоре Intel x64 с поддержкой AVX машинный код, похожий на следующий:

0.43%  / │  0x0000000113d43890: vmovdqu 0x10(%r8,%rbx,4),%ymm0
  7.38%  │ │  0x0000000113d43897: vmovdqu 0x10(%r10,%rbx,4),%ymm1
  8.70%  │ │  0x0000000113d4389e: vmulps %ymm0,%ymm0,%ymm0
  5.60%  │ │  0x0000000113d438a2: vmulps %ymm1,%ymm1,%ymm1
 13.16%  │ │  0x0000000113d438a6: vaddps %ymm0,%ymm1,%ymm0
 21.86%  │ │  0x0000000113d438aa: vxorps -0x7ad76b2(%rip),%ymm0,%ymm0
  7.66%  │ │  0x0000000113d438b2: vmovdqu %ymm0,0x10(%r9,%rbx,4)
 26.20%  │ │  0x0000000113d438b9: add    $0x8,%ebx
  6.44%  │ │  0x0000000113d438bc: cmp    %r11d,%ebx
         \ │  0x0000000113d438bf: jl     0x0000000113d43890

Это вывод микробенчмарка JMH для приведённого выше кода, использующего прототип Vector API и реализацию из ветки vectorIntrinsics репозитория разработки проекта Panama. В этих горячих участках сгенерированного машинного кода хорошо видно преобразование в векторные регистры и векторные инструкции. Мы отключили развёртывание циклов (с помощью опции HotSpot -XX:LoopUnrollLimit=0), чтобы сделать преобразование нагляднее; иначе HotSpot развернул бы этот код с помощью существующих оптимизаций циклов C2. Все выделения памяти под Java-объекты устранены.

(HotSpot способен автоматически векторизовать скалярное вычисление в этом конкретном примере и сгенерирует похожую последовательность векторных инструкций. Главное отличие в том, что автовекторизатор генерирует для умножения на -1.0f векторную инструкцию умножения, тогда как реализация Vector API генерирует векторную инструкцию XOR, которая инвертирует знаковый бит. Однако главная цель этого примера — представить Vector API и показать, как его реализация генерирует векторные инструкции, а не сравнить его с автовекторизатором.)

На платформах, поддерживающих предикатные регистры, приведённый выше пример можно было бы записать проще, без скалярного цикла для обработки хвостовых элементов, и при этом по-прежнему достичь оптимальной производительности:

void vectorComputation(float[] a, float[] b, float[] c) {
    for (int i = 0; i < a.length; i += SPECIES.length()) {
        // VectorMask<Float>  m;
        var m = SPECIES.indexInRange(i, a.length);
        // FloatVector va, vb, vc;
        var va = FloatVector.fromArray(SPECIES, a, i, m);
        var vb = FloatVector.fromArray(SPECIES, b, i, m);
        var vc = va.mul(va)
                   .add(vb.mul(vb))
                   .neg();
        vc.intoArray(c, i, m);
    }
}

В теле цикла мы получаем зависящую от цикла маску, которая передаётся операциям загрузки и сохранения. Когда i < SPECIES.loopBound(a.length), маска m объявляет все дорожки установленными. На последней итерации цикла, когда SPECIES.loopBound(a.length) <= i < a.length и (a.length - i) <= SPECIES.length(), маска может объявить суффикс неустановленных дорожек. Операции загрузки и сохранения не будут выбрасывать исключения выхода за границы, поскольку маска предотвращает доступ к массиву за пределами его длины.

Мы бы предпочли, чтобы разработчики писали в приведённом выше стиле для всех поддерживаемых платформ и получали оптимальную производительность, но сегодня на платформах без предикатных регистров такой подход не оптимален. Теоретически компилятор C2 можно было бы доработать так, чтобы он преобразовывал цикл, отделяя последнюю итерацию и удаляя маску из тела цикла. Это остаётся областью для дальнейших исследований.

Компиляция во время выполнения

У Vector API две реализации. Первая реализует операции на Java, поэтому она функциональна, но не оптимальна. Вторая определяет встроенные (intrinsic) векторные операции для компилятора времени выполнения HotSpot C2, чтобы он мог компилировать векторные вычисления в соответствующие аппаратные регистры и векторные инструкции, когда они доступны.

Чтобы избежать взрывного роста числа intrinsic-функций C2, мы определяем обобщённые intrinsic-функции, соответствующие различным видам операций, таким как унарные, бинарные, преобразования и т. д., которые принимают параметр, описывающий конкретную выполняемую операцию. Около двадцати пяти новых intrinsic-функций поддерживают интринсификацию всего API.

Мы рассчитываем в конечном счёте объявить векторные классы как Value Classes, как предложено проектом Valhalla (JEP 401). Пока же Vector<E> и его подклассы считаются value-based-классами, поэтому операций, зависящих от идентичности, над их экземплярами следует избегать. Хотя экземпляры векторов абстрактно состоят из элементов в дорожках, C2 не скаляризует эти элементы — значение вектора рассматривается как единое целое, подобно int или long, которое отображается на векторный регистр соответствующего размера. C2 обрабатывает экземпляры векторов особым образом, чтобы обойти ограничения escape-анализа и избежать упаковки (boxing). В будущем мы согласуем эту особую обработку с Value Objects из Valhalla.

Intrinsic-функции Intel SVML для трансцендентных операций

Vector API поддерживает трансцендентные и тригонометрические поэлементные операции над векторами с плавающей точкой. На x64 мы используем библиотеку Intel Short Vector Math Library (SVML), чтобы предоставить оптимизированные intrinsic-реализации таких операций. Intrinsic-операции обладают теми же численными свойствами, что и соответствующие скалярные операции, определённые в java.lang.Math.

Исходные файлы на ассемблере для операций SVML находятся в исходном коде модуля jdk.incubator.vector, в каталогах для конкретных ОС. Процесс сборки JDK компилирует эти исходные файлы для целевой операционной системы в разделяемую библиотеку, специфичную для SVML. Эта библиотека довольно велика: её размер чуть меньше мегабайта. Если в образе JDK, собранном с помощью jlink, нет модуля jdk.incubator.vector, то библиотека SVML в образ не копируется.

Пока реализация поддерживает только Linux и Windows. Поддержку macOS мы рассмотрим позже, поскольку подготовка исходных файлов на ассемблере с нужными директивами требует немалого объёма работы.

Среда выполнения HotSpot попытается загрузить библиотеку SVML и, если она есть, связать операции из библиотеки SVML с именованными процедурами-заглушками. Компилятор C2 генерирует код, вызывающий соответствующую процедуру-заглушку в зависимости от операции и вида вектора (т. е. типа элементов и формы).

Если в будущем проект Panama расширит поддержку нативных соглашений о вызовах так, чтобы поддерживать векторные значения, то реализация Vector API, возможно, сможет загружать библиотеку SVML из внешнего источника. Если такой подход не повлияет на производительность, то больше не нужно будет включать SVML в виде исходного кода и встраивать её в сборку JDK. До тех пор мы считаем описанный выше подход приемлемым с учётом возможного выигрыша в производительности.

Дальнейшая работа

• Как упоминалось выше, мы рассчитываем в конечном счёте объявить векторные классы как Value Classes. О текущей работе по согласованию Vector API с Valhalla см. ветку lworld+vector репозитория кода проекта Valhalla. Кроме того, мы рассчитываем использовать обобщённую специализацию Value Classes из проекта Valhalla, чтобы экземпляры Vector<E> были Value Objects, где E — примитивный класс, такой как int, а не его класс-обёртка Integer. Подтипы Vector<E> для конкретных типов, такие как IntVector, могут стать ненужными, когда появится обобщённая специализация по примитивным классам.

• Мы можем добавить поддержку векторов из значений IEEE с плавающей точкой формата binary16 (значений float16). Это тоже зависит от проекта Valhalla: нужно, чтобы значение float16 было представлено как Value Objects с оптимизированным размещением в массивах и полях, а реализация Vector API должна быть доработана так, чтобы использовать аппаратные векторные инструкции для векторов из значений float16. Об исследовательской работе см. ветку vectorIntrinsics+fp16 репозитория кода Vector API проекта Panama.

• Мы рассчитываем улучшить реализацию, чтобы лучше оптимизировать циклы, содержащие векторизованный код, и в целом постепенно повышать производительность со временем.

• Мы также рассчитываем улучшить комбинаторные модульные тесты, чтобы они проверяли, что C2 генерирует аппаратные векторные инструкции. Сейчас модульные тесты без проверки предполагают, что многократного выполнения достаточно, чтобы C2 сгенерировал аппаратные векторные инструкции. Мы изучим возможность использовать IR Test Framework компилятора C2, чтобы кросс-платформенно проверять наличие векторных узлов в IR-графе (например, с помощью сопоставления с регулярными выражениями). Если этот подход окажется проблематичным, мы можем рассмотреть простейший подход, использующий флаг -XX:+TraceNewVectors, доступный только в непродуктовых сборках, для вывода векторных узлов.

• Мы оценим возможность определить синтетические формы векторов, чтобы лучше управлять развёртыванием циклов и матричными операциями, и рассмотрим подходящую поддержку алгоритмов сортировки и разбора. (Подробнее см. эту презентацию.)

Альтернативы

Альтернативный подход — автовекторизация в HotSpot, но она потребовала бы значительной работы. Более того, по сравнению с Vector API она всё равно была бы хрупкой и ограниченной, поскольку автовекторизацию при сложном потоке управления выполнить очень трудно.

В целом, даже после десятилетий исследований — особенно для циклов по массивам в FORTRAN и C, — похоже, автовекторизация скалярного кода не является надёжным способом оптимизации произвольных циклов, написанных пользователем, если только пользователь не уделяет необычайно пристальное внимание неписаным договорённостям о том, какие именно циклы компилятор готов автовекторизовать. Слишком легко написать цикл, который не удастся автовекторизовать по причине, которую ни один человек при чтении кода не обнаружит. Годы работы над автовекторизацией, даже в HotSpot, оставили нам много механизмов оптимизации, которые работают лишь в особых случаях. Мы хотим пользоваться этими механизмами чаще!

Тестирование

Мы разработаем комбинаторные модульные тесты, чтобы обеспечить покрытие всех операций для всех поддерживаемых типов и форм на различных наборах данных.

Мы также разработаем тесты производительности, чтобы убедиться, что цели по производительности достигнуты и векторные вычисления эффективно отображаются на векторные инструкции. Скорее всего, это будут микробенчмарки JMH, но также потребуются более реалистичные примеры полезных алгоритмов. Поначалу такие тесты могут находиться в репозитории конкретного проекта. С учётом объёма тестов и способа их генерации перед интеграцией в основной репозиторий, вероятно, потребуется их отбор и доработка.

Риски и допущения

• Есть риск, что API будет смещён в сторону SIMD-функциональности, поддерживаемой на архитектурах x64, но этот риск снижается благодаря поддержке AArch64. Это касается в основном явно фиксированного набора поддерживаемых форм, который мешает писать алгоритмы в виде, обобщённом по форме. Мы считаем, что большинство остальных операций Vector API ориентировано на переносимые алгоритмы. Чтобы снизить этот риск, мы будем учитывать другие архитектуры, в частности архитектуру ARM Scalar Vector Extension, модель программирования которой динамически подстраивается под единственную фиксированную форму, поддерживаемую оборудованием. Мы приветствуем и поощряем участие в этой работе участников OpenJDK, работающих над ARM-специфичными частями HotSpot.

• Vector API использует типы-обёртки (например, Integer) в качестве заместителей примитивных типов (например, int). Это решение вынужденное: его диктуют текущие ограничения обобщений (generics) Java, которые плохо совместимы с примитивными типами. Когда проект Valhalla в итоге введёт более мощные обобщения, текущее решение будет выглядеть неудачным и, скорее всего, его придётся изменить. Мы предполагаем, что такие изменения будут возможны без чрезмерной потери обратной совместимости.