Дополнение до двух длинных целых чисел

Более короткие инструкции или меньшее количество инструкций не обязательно означает более быстрое выполнение, потому что задержка и пропускная способность для каждой инструкции различны.

Например, устаревшие инструкции, такие как enter, dad, _ 3_ ... будут очень медленными и предназначены только для обратной совместимости. Даже inc иногда работает медленнее, чем add. То же, что cmc, которое вы использовали выше на некоторых μархах

В результате более длинные серии инструкций с низкой задержкой, которые могут выполняться параллельно, будут работать намного быстрее. Некоторые общие группы инструкций можно даже объединить в одну макрооперацию. Оптимизаторы компилятора всегда знают об этом и выберут наиболее подходящие инструкции для выдачи.

Для этого фрагмента

__int128 negate(__int128 x)
{
    return -x;
}

ICC 19.0.1 mov также может быть «бесплатным»

Все может быть иначе, если вы оптимизируете пространство (например, в некоторых случаях, когда много промахов в кеше), потому что некоторые немедленные действия и инструкции длинные.

Быстрее это или нет, нужен микробенчмаркинг. Но на процессорах Intel компилятор Intel (ICC) часто обеспечивает более высокую производительность, чем другие, потому что он лучше понимает архитектуру.

Обратите внимание, что эта операция называется отрицанием, а не дополнением до двух, которое является способом кодирования отрицательных чисел.

Кстати, отрицание 2-регистрового числа одинаково в 32-битном или 16-битном режиме с EDX: EAX или DX: AX. Используйте ту же последовательность инструкций.

Чтобы копировать и отрицать, ответ @phuclv показывает эффективный вывод компилятора. Лучше всего обнулить место назначения с помощью xor и затем использовать sub / sbb.

Это 4 мупа для интерфейса на AMD, а также на Intel Broadwell и более поздних версиях. На Intel до Broadwell sbb reg,reg составляет 2 мопса. Обнуление xor находится вне критического пути (может произойти до того, как данные, которые нужно инвертировать, будут готовы), поэтому общая задержка составляет 2 или 3 цикла для высокой половины. Младшая половина, конечно, готова с задержкой в ​​1 цикл.

Clang mov/neg для младшей половины, возможно, лучше на Ryzen, у которого есть mov-elimination для целого числа GP, но по-прежнему требуется исполнительный блок ALU для обнуления xor. Но для старых процессоров это ставит mov на критический путь задержки. Но обычно внутреннее давление ALU не так важно, как узкие места внешнего интерфейса, для инструкций, которые могут использовать любой порт ALU.

Чтобы отрицать на месте, используйте neg для вычитания из 0

neg   rdx              ; high half first
neg   rax             ; subtract RDX:RAX from 0
sbb   rdx, 0          ; with carry from low to high half

neg в точности эквивалентен sub от 0, что касается установки флагов и производительности.

АЦП / SBB с немедленный 0 - это всего лишь 1 мкоп на Intel SnB / IvB / Haswell, как особый случай. Тем не менее, на Nehalem и ранее это по-прежнему 2 мупа. Но без исключения перемещения mov в другой регистр и затем sbb обратно в RDX было бы медленнее.

Младшая половина (в RAX) готова в первом цикле после того, как она готова в качестве входа для neg. (Таким образом, выполнение более позднего кода вне очереди может начаться с младшей половины.)

Верхняя половина neg rdx может работать параллельно с нижней половиной. Затем sbb rdx,0 должен ждать rdx от neg rdx и CF от neg rax. Таким образом, он готов позже, чем через 1 цикл после нижней половины или через 2 цикла после того, как будет готова входная высокая половина.

Вышеупомянутая последовательность лучше, чем любая в вопросе, поскольку на очень распространенных процессорах Intel меньше ошибок. На Бродвелле и более поздних версиях (однократный SBB, а не только для немедленного 0)

;; equally good on Broadwell/Skylake, and AMD.  But worse on Intel SnB through HSW
NOT RDX
NEG RAX
SBB RDX,-1     ; can't use the imm=0 special case

Очевидно, что любая из 4-командных последовательностей неоптимальна, а скорее всего. И некоторые из них имеют худшие ILP / цепочки зависимостей / задержку, например, 2 инструкции на критическом пути для нижней половины или цепочка из 3 циклов для верхней половины.