Go 1.26のSIMDとarchsimdパッケージ: パフォーマンス最適化の完全ガイド

Go 1.26で実験的なsimd/archsimdパッケージが導入され、アセンブリスタブやCGoオーバーヘッドなしでGoにネイティブベクトル演算がもたらされました。このパッケージはAMD64のSSE、AVX2、AVX-512レジスタに直接マッピングされる128ビット、256ビット、512ビットのベクトル型を公開し、パフォーマンスクリティカルなコードでスカラー実装と比較して30〜50%の高速化を実現します。

GoのSIMDアーキテクチャを理解する

SIMD（Single Instruction, Multiple Data）は、ワイドベクトルレジスタを使用して複数のデータ要素を並列処理します。Go 1.26以前は、SIMDへのアクセスには手書きのアセンブリが必要でした。これはメンテナンスが困難で、非同期プリエンプションを妨げ、小さなカーネルのインライン化をブロックしていました。archsimdパッケージはこれらの障壁を取り除きます。

Goのアプローチは2層アーキテクチャに従います：

| レベル | パッケージ | 目的 | |-------|---------|--------| | 低レベル | simd/archsimd | アーキテクチャ固有のイントリンシック（現在AMD64、Go 1.27でARM64/Wasmに対応予定） | | 高レベル | simd（計画中） | ハードウェアの違いを抽象化するポータブルベクトルAPI |

これはsyscallとosパッケージの関係を反映しています。パワーユーザーはハードウェアに直接アクセスし、ほとんどのコードはポータブルな抽象化を使用します。

ベクトル型とレジスタマッピング

archsimdパッケージはベクトル型を不透明な構造体として定義します。コンパイラはこれらを特別に扱い、メモリ配列ではなくベクトルレジスタにマッピングします。

// simd/archsimdで利用可能なコアベクトル型

// 128ビットベクトル（XMMレジスタ）
type Int8x16 struct { a0, a1, ... a15 int8 }
type Int32x4 struct { a0, a1, a2, a3 int32 }
type Float64x2 struct { a0, a1 float64 }

// 256ビットベクトル（YMMレジスタ）
type Int64x4 struct { a0, a1, a2, a3 int64 }
type Float32x8 struct { a0, a1, ... a7 float32 }

// 512ビットベクトル（ZMMレジスタ）
type Uint8x64 struct { a0, a1, ... a63 uint8 }
type Float64x8 struct { a0, a1, ... a7 float64 }

操作はスタンドアロン関数ではなく、ベクトル型のメソッドとして実装されています。これにより、操作をチェーンする際のコードが簡潔になります：

// メソッドベースのAPIデザイン

func (v Uint32x4) Add(other Uint32x4) Uint32x4    // VPADDDにマップ
func (v Float64x4) Mul(other Float64x4) Float64x4 // VMULPDにマップ
func (v Int8x16) And(other Int8x16) Int8x16       // VPANDにマップ

ベクトル化された合計の実装

実践的な例でarchsimdのパフォーマンス向上を示します。この実装は256ビットYMMレジスタを使用してint64スライスの合計を計算し、1回のイテレーションで4つの要素を処理します。

package main

import "simd/archsimd"

// SumInt64SIMDはYMMレジスタを使用して1イテレーションあたり4要素を処理します。
// 必要: GOEXPERIMENT=simd go build
func SumInt64SIMD(input []int64) int64 {
    n := len(input)
    if n == 0 {
        return 0
    }
    
    // 256ビットベクトルで4要素ずつ処理
    y0 := archsimd.LoadInt64x4Slice(input[:4])
    
    for i := 4; i+4 <= n; i += 4 {
        y1 := archsimd.LoadInt64x4Slice(input[i : i+4])
        y0 = y0.Add(y1)  // VPADDQ: 並列64ビット加算
    }
    
    // 水平リダクション: 256ビット → 128ビット → スカラー
    x0 := y0.GetLo()              // 下位128ビットを抽出
    x1 := y0.GetHi()              // 上位128ビットを抽出
    x0 = x0.Add(x1)               // 半分を加算
    
    sum := x0.GetElem(0) + x0.GetElem(1)  // 最終スカラー合計
    
    // 残りの要素を処理（テールループ）
    remainder := n % 4
    for i := n - remainder; i < n; i++ {
        sum += input[i]
    }
    
    return sum
}

marselesterのarchsimdプレビューのベンチマーク結果によると、このアプローチはスカラーループと比較して約47.6%高速な実行を達成しています。

実際のパフォーマンス：CSVパース

go-simdcsvライブラリは、本番環境でのarchsimdを実証しています。AVX-512を使用して64バイトチャンクでCSVデータをスキャンし、デリミタをビットマスクとして検出します。

package main

import (
    "strings"
    csv "github.com/nnnkkk7/go-simdcsv"
)

func main() {
    // encoding/csvのドロップイン置き換え
    reader := csv.NewReader(strings.NewReader("name,age\nAlice,30"))
    records, _ := reader.ReadAll()
    
    // 最大スループットのための直接バイトパース
    data := []byte("name,age\nAlice,30\nBob,25")
    records, _ = csv.ParseBytes(data, ',')
}

AVX-512搭載のAMD EPYC 9R14でのベンチマーク：

| データセット | encoding/csv | go-simdcsv | 改善率 | |---------|-------------|-----------|-------------| | 引用符なし（10万行） | 214 MB/s | 288 MB/s | +35% | | 10%引用符あり | 254 MB/s | 275 MB/s | +8% | | 40%引用符あり | 308 MB/s | 328 MB/s | +6% |

SIMDスキャン、ビットマスクパース、文字列抽出の3段階パイプラインは、archsimdがI/Oバウンドワークロードを高速化する方法を示しています。

Base64エンコーディング：標準ライブラリより33倍高速

simdencライブラリはarchsimdの限界に挑戦し、64.6 GB/sのエンコーディングスループットを達成しています。これはencoding/base64の33倍の速度です。

package main

import "simd/archsimd"

// 定数は一度ロードされ、イテレーション全体で使用される
const maskHi = uint64(0x0FC0FC000FC0FC00)

// AVX-512パス用に512ビットベクトルにプリロード
var encMaskHi512 = archsimd.LoadUint64x8(&[8]uint64{
    maskHi, maskHi, maskHi, maskHi, 
    maskHi, maskHi, maskHi, maskHi,
}).AsUint16x32()

func encode512(dst, src []byte) {
    // レジスタ割り当てを維持するためにグローバルをローカルにシャドウ
    // GoはLICMを欠いているため、グローバルは各イテレーションでメモリからリロードされる
    mask := encMaskHi512
    
    // 1イテレーションあたり48入力バイト → 64出力バイトを処理
    // 検証+変換の組み合わせにVPERMI2Bを使用
    // ... 実装
}

CPU機能検出

ランタイム検出により、コードが適切なハードウェアで実行されることが保証されます：

package main

import "simd/archsimd"

func ProcessData(data []byte) {
    switch {
    case archsimd.HasAVX512():
        processAVX512(data)  // 512ビットベクトル
    case archsimd.HasAVX2():
        processAVX2(data)    // 256ビットベクトル
    default:
        processScalar(data)  // フォールバック
    }
}

コンパイラはHasAVX512()とHasAVX2()を純粋関数として扱います。CPU機能は初期化後に変更されないためです。これにより、特定のアーキテクチャをターゲットにする際にデッドコード除去が可能になります。

条件付き処理のためのマスク操作

マスクは選択的な要素操作を可能にし、可変長データや条件付き更新の処理に不可欠です：

package main

import "simd/archsimd"

// FilterPositiveは正の値のみを保持し、負の値をゼロにします
func FilterPositive(values []int32) {
    for i := 0; i+4 <= len(values); i += 4 {
        v := archsimd.LoadInt32x4Slice(values[i:])
        
        // マスクを作成: 要素 > 0の場合にtrue
        zero := archsimd.Int32x4{}
        mask := v.GreaterThan(zero)
        
        // ブレンド: 正の値を保持、負の値をゼロアウト
        result := v.And(mask.AsInt32x4())
        
        archsimd.StoreSlice(values[i:], result)
    }
}

マスク型はプラットフォームの違いを抽象化します。AVX-512は要素ごとに1ビットを使用し、ARM64 SVEはバイトごとに1ビットを使用します。コンパイラが変換を処理します。

面接対策：Go SIMDの深掘り

技術面接ではSIMD最適化が取り上げられることが増えています。Go面接対策のための一般的な質問を紹介します：

Q: なぜGoのarchsimdは関数ではなくメソッドを使用するのですか？

メソッドは一時変数なしで自然にチェーンできます。v.Add(w).Mul(x)はMul(Add(v, w), x)よりも読みやすいです。この設計は互換性のないベクトルサイズを渡すことも防ぎます。Int32x4.Add()はInt32x4のみを受け入れます。

Q: クロージャがSIMDコードに与えるパフォーマンスへの影響は何ですか？

クロージャはイントリンシックのインライン化を妨げます。SIMDのロードとストアがインライン命令ではなく実際の関数呼び出しになり、7〜8倍の速度低下を引き起こします。SIMDホットパスには常に通常の関数を使用してください。

Q: archsimdはシフト量などの定数オペランドをどのように処理しますか？

VPSLLD（左シフト）のような命令はコンパイル時定数を必要とします。ShiftLeftConst(uint8)のようなメソッドがこの要件を文書化しています。変数を渡すとフォールバック戦略がトリガーされ、パフォーマンスが低下する可能性があります。

Q: SIMDにおける水平リダクションを説明してください。

水平リダクションはベクトル要素をスカラーに結合します。256ビットベクトルの場合：上位/下位128ビット半分を抽出し、それらを加算し、最終的な合計のために個々の要素を抽出します。これによりクロスレーン操作が最小化されます。

Go 1.27プレビュー：ARM64とポータブルSIMD

Go 1.27 RC1はSIMDサポートを大幅に拡張します：

• ARM64 NEON/SVE: Apple SiliconとARMサーバー向けのネイティブarchsimdサポート
• WebAssembly: 128ビットSIMD操作
• ポータブルsimdパッケージ: アーキテクチャの違いを抽象化するサイズ非依存のベクトルAPI
• AMD64 APIの改良: Go 1.26のユーザーフィードバックに基づく

AMD64とARM64の両方をターゲットにするクロスプラットフォームコードの場合は、ポータブルsimdパッケージを待つか、抽象化レイヤーを提供するgo-highwayのようなライブラリを使用してください。

まとめ

• AMD64ビルドではGOEXPERIMENT=simdでarchsimdを有効化。Go 1.27でARM64/Wasmが追加予定
• ベクトル型はハードウェアレジスタに直接マップ。128/256/512ビット幅が利用可能
• メソッドは自然にチェーン可能：v.Add(w).Mul(x)は効率的な命令シーケンスにコンパイル
• SIMDホットパスではクロージャを避ける。イントリンシックのインライン化が壊れるため
• メモリからの繰り返しロードを防ぐためにグローバルをローカルにシャドウ（GoにはLICMがない）
• 最大スループットのためにunsafeによる境界チェック除去と組み合わせる
• 実際の効果：CSVパースで35%、base64エンコーディングで33倍の向上