El código SIMD (Single Instruction, Multiple Data) en arquitecturas x86 suele limitarse a conjuntos de 4 componentes (SSE/AVX2), lo que impide aprovechar la capacidad de vectores de 8 o 16 componentes disponibles en registros más anchos. Este artículo técnico explica cómo 'transponer' los vectores para escalar las operaciones matemáticas, permitiendo procesar N productos escalares simultáneos donde N es el ancho SIMD de la arquitectura. El autor utiliza las extensiones de vectores de Clang para ilustrar la lógica, evitando intrínsecos complejos, y detalla el proceso de transposición de vectores vec4 en registros de 8 componentes. Se analiza un caso básico de producto escalar y un ejemplo avanzado de frustum culling, mostrando cómo la transposición permite usar instrucciones como vfmadd231ps para sumar múltiples componentes en un solo paso. Las mediciones se realizaron en un Ryzen 7 5800 (Zen 3) con Clang 23.1.0, utilizando banderas de optimización -O3 y -ffast-math. El texto destaca que, aunque el producto escalar de vec3 y vec4 tiene el mismo coste en ensamblador, la transposición permite escalar la eficiencia a vectores de 8 o 16 componentes, superando las limitaciones de las instrucciones SSE. Además, se menciona la conveniencia de usar la convención de llamada __vectorcall en Windows para pasar vectores por registro en lugar de por puntero, lo que simplifica el código y mejora el rendimiento. Este enfoque es relevante para programadores de gráficos y optimización de rendimiento que buscan maximizar el uso de la unidad de vectorización de la CPU.
