arm-sve

ARM SVE

目的

ARM Scalable Vector Extension（SVE/SVE2）プログラミングについて、エージェントをガイドします。ベクトル長非依存（VLA）コード、述語レジスタ、<arm_sve.h> を使った SVE 組み込み関数、svcnt による実行時のベクトル長、コンパイラフラグ、プラットフォーム間の違い（Graviton3、Apple M4）、および GDB による SVE レジスタのデバッグを扱います。

使用する場面

• AArch64 サーバー（AWS Graviton3/4）で高性能な SIMD を記述する場合
• 固定幅の NEON コードをベクトル長非依存の SVE に移植する場合
• 個別の後処理ループの代わりに、述語マスクを使ってループ末尾を処理する場合
• GCC/Clang の -march=armv9-a+sve2 で自動ベクトル化する場合
• SVE 対応ハードウェア上の GDB で SVE レジスタの状態をデバッグする場合
• SVE2 のドット積および暗号拡張を活用する場合

ワークフロー

1. SVE と NEON の比較

	NEON	SVE/SVE2
ベクトル幅	固定（128 ビット）	スケーラブル（128～2048 ビット、ハードウェアに依存）
述語処理	限定的	完全な述語レジスタ P0～P15
ARM CPU 間の移植性	どこでも同じ幅	VLA — ハードウェアの VL に適応
Apple Silicon	常に利用可能	M4 以降は SVE2 を搭載

2. 述語処理と VLA の概念

SVE registers
├── Z0–Z31  — scalable vector data registers
└── P0–P15  — predicate (mask) registers

Vector Length (VL) — determined at runtime per CPU
svcntb() → bytes per vector
svcntw() → 32-bit elements per vector

一度記述すれば、SVE 対応 CPU ならどれでも全幅で実行できます。

3. SVE 組み込み関数の例

#include <arm_sve.h>
#include <stddef.h>

void saxpy_sve(float *y, const float *x, float alpha, size_t n) {
    svbool_t pg = svwhilelt_b32(0, n);
    size_t i = 0;

    do {
        svfloat32_t vx = svld1_f32(pg, &x[i]);
        svfloat32_t vy = svld1_f32(pg, &y[i]);
        vy = svmla_n_f32_x(pg, vy, vx, alpha);  // y += alpha * x
        svst1_f32(pg, &y[i], vy);

        i += svcntw();  // advance by vector length in 32-bit elements
        pg = svwhilelt_b32(i, n);
    } while (svptest_any(svptrue_b32(), pg));
}

gcc -march=armv9-a+sve2 -O3 -o saxpy saxpy.c

4. 主な組み込み関数

組み込み関数	目的
svld1_f32(pg, ptr)	マスク付きロード
svst1_f32(pg, ptr, val)	マスク付きストア
svmul_f32_x(pg, a, b)	述語に基づく乗算
svmla_f32_x(pg, acc, a, b)	融合積和演算
svwhilelt_b32(i, n)	i < n のアクティブレーンに対する述語
svcntw()	ベクトルあたりの 32 ビットレーン数
svptrue_b32()	すべて真の述語

5. ループ末尾の処理

// SVE handles tails via predicates — no separate scalar epilogue
for (size_t i = 0; i < n; ) {
    svbool_t pg = svwhilelt_b32(i, n);
    // ... vector ops with pg ...
    i += svcntw();
}

NEON との違い：n % 4 != 0 の場合、スカラーによる後処理が必要になることがよくあります。

6. コンパイラによる自動ベクトル化

# GCC vectorization remarks
gcc -march=armv9-a+sve2 -O3 -fopt-info-vec -o app app.c

# Clang
clang -march=armv9-a+sve2 -O3 -Rpass=vectorize -o app app.c

#pragma omp simd  // may use SVE when available
for (int i = 0; i < n; i++)
    c[i] = a[i] + b[i];

7. プラットフォーム間の違い

プラットフォーム	SVE のサポート
AWS Graviton3（Neoverse V1）	SVE（SVE2 なし）
AWS Graviton4（Neoverse V2）	SVE + SVE2
Apple M4	SVE2
Apple M1/M2/M3	NEON のみ（SVE なし）

# Check SVE on Linux
grep -i sve /proc/cpuinfo          # "sve" or "sve2" in Features
# Or: cat /sys/devices/system/cpu/cpu0/regs/identification/id_aa64pfr0_el1

8. SVE2 の追加機能

SVE2 では、整数ドット積、暗号処理、ビット演算が追加されます。

#include <arm_sve.h>

svint32_t dot = svdot_s32(svptrue_b32(),
    svld1_s8(pg, a), svld1_s8(pg, b));

Graviton 上の ML 推論カーネルで使用します。

9. GDB によるデバッグ

gcc -g -march=armv9-a+sve2 -o saxpy saxpy.c
gdb ./saxpy

(gdb) break saxpy_sve
(gdb) run
(gdb) p $z0          # print SVE vector register
(gdb) p $p0          # print predicate register
(gdb) info registers z0 z1 p0

SVE をサポートする GDB 10 以降と、SVE 対応ハードウェアが必要です。

10. NEON から SVE2 への移行

Migration checklist
├── Replace fixed loops (i += 4) with svcntw() strides
├── Add svwhilelt predicates for tails
├── Use _x (merging) vs _z (zeroing) predicated ops intentionally
└── Test on multiple VL hardware or use QEMU sve-max-vq

# QEMU SVE emulation
qemu-aarch64 -cpu max ./saxpy

よくある問題

症状	原因	修正方法
不正な命令	SVE ハードウェアがない	cpuinfo を確認し、NEON のフォールバックを使用する
末尾で結果が誤る	非アクティブなレーンが変更されている	非述語演算ではなく、述語付きの _x 演算を使用する
NEON より遅い	配列が短い	SVE のセットアップコストがかかるため、n < VL ではスカラー処理を使用する
自動ベクトル化に失敗する	ループ回数が不明	-fno-trapping-math を指定し、pragma simd を使用する
Apple M3 でビルドに失敗する	M3 は SVE に対応していない	__ARM_FEATURE_SVE で条件分岐する
GDB で Z レジスタを表示できない	GDB が古い	GDB を更新し、SVE 対応ハードウェア上で実行する

関連スキル

• skills/low-level-programming/assembly-arm — AArch64 アセンブリと NEON
• skills/low-level-programming/simd-intrinsics — SIMD の一般的な概念
• skills/platform/apple-silicon — Apple M シリーズの詳細
• skills/compilers/gcc — -march フラグ
• skills/compilers/clang — ベクトル化に関する診断情報
• skills/low-level-programming/cpu-cache-opt — SIMD 向けのメモリレイアウト