SIMD로 3D 충돌 감지 속도 2배 이상 향상

본문에서는 3D 충돌 감지에 분리축 테스트(Separating Axis Test, SAT)를 사용하며, 특히 복잡한 객체(예: 32개 꼭짓점의 '볼더') 간의 엣지-엣지(Edge-Edge) 충돌 검사에서 발생하는 이차 복잡도(Quadratic Complexity) 문제를 지적한다. 이를 해결하기 위해 광폭 SIMD(Wide SIMD) 접근법을 적용하여, 하나의 엣지(Edge)를 다른 엣지 4개와 동시에 처리함으로써 연산량을 획기적으로 줄였다고 설명한다. 이는 기존의 협폭 SIMD(Narrow SIMD)가 벡터 연산 자체를 병렬화하는 것과는 다른 차원의 최적화다.

커뮤니티에서는 SIMD 활용이 특정 작업에 대해 의외로 추론하기 쉽다고 언급하며, 상수 브로드캐스팅(Constant Broadcasting), 벡터 단위 루프(Vector-width Chunking), 병렬 연산(Parallel Arithmetic), 결과 축소(Result Reduction), 그리고 스칼라 테일(Scalar Tail) 처리로 이어지는 일반적인 패턴을 제시한다. 또한, 복잡한 조건 분기나 조기 종료가 포함된 루프의 경우, 자동 벡터화(Auto-vectorization)가 놓치는 기회를 개발자가 직접 SIMD 명령어를 활용하여 2배에서 16배의 처리량 향상을 얻을 수 있음을 강조한다.

SIMD 최적화 시 데이터 레이아웃(Data Layout)의 중요성이 논의된다. 구조화 배열(Structure of Arrays, SoA) 방식이 SIMD 연산에 유리하며, 배열화 구조(Array of Structs, AoS)는 데이터 복사나 마스킹 오버헤드로 인해 SIMD 이점을 상쇄할 수 있다는 지적이 나온다. 다만, 문자열과 같이 이미 패킹된 데이터의 경우 SoA가 필수는 아니며, 고속화된 엣지 테스트를 위해 패킹된 데이터(Packed Data) 활용이 중요하다고 언급된다.

제시된 벤치마크 결과에 따르면, 스칼라(Scalar) 방식 대비 SSE2 명령어셋 적용 시 2배 이상, AVX2-Lite 적용 시 약 2.5배의 성능 향상을 보인다. 이는 전체 시뮬레이션 시간에 대한 결과이며, 특히 복잡한 32점 헐(Hull)과 같이 엣지 수가 많은 경우 SIMD의 효과가 두드러짐을 보여준다. 박스-박스(Box-Box) 충돌에서는 SIMD 효과가 미미했으나, 파괴(Destruction)와 같은 시나리오에서 발생하는 복잡한 헐에는 유용한 최적화라고 평가된다.

다양한 CPU 아키텍처에서 지원하는 SIMD 명령어셋의 차이로 인해 통일된 SIMD 인터페이스 프로그래밍의 어려움이 제기된다. 이에 대한 해결책으로 Zig의 내장 함수(Intrinsics)는 컴파일 시점에 특정 CPU를 타겟팅하는 데 유용하며, Highway 라이브러리와 같은 런타임 디스패치(Runtime Dispatch) 방식은 실행 시점에 CPU 기능을 감지하여 최적의 구현을 선택하는 방식을 제공한다고 설명한다. 이는 다양한 하드웨어 환경에서의 호환성과 성능을 확보하기 위한 전략이다.