# 루프 벡터화 (Loop Vectorization)

## 개요

**루프 벡터화**(Loop Vectorization)는 컴파일러 최적화 기법 중 하나로, 반복문(루프) 내의 순차적인 연산을 SIMD(Single Instruction, Multiple Data) 명령어를 사용하여 병렬로 처리함으로써 실행 속도를 향상시키는 기술입니다. 현대 프로세서의 성능 향상에 있어 CPU의 클럭 속도 증가가 한계에 도달함에 따라, 명령어 레벨 병렬성(ILP, Instruction Level Parallelism)을 극대화하는 것이 중요해졌으며, 루프 벡터화는 이를 실현하는 핵심 컴파일러 최적화 전략 중 하나입니다.

이 기법은 컴파일러가 소스 코드의 루프를 분석하여, 서로 독립적인 반복(iteration)들을 하나의 벡터 레지스터에 담겨 있는 여러 데이터 요소에 동시에 적용할 수 있는 구조로 변환합니다. 이를 통해 동일한 연산을 여러 번 수행하는 오버헤드를 줄이고, 데이터 병렬성(Data Parallelism)을 활용하여 처리 효율을 높입니다.

## 동작 원리 및 메커니즘

루프 벡터화가 수행되기 위해서는 컴파일러가 루프의 각 반복이 서로 독립적임을 증명해야 합니다. 즉, 한 반복의 결과가 다른 반복의 입력에 영향을 주지 않아야 합니다(데이터 의존성 분석). 이러한 조건이 충족될 경우, 컴파일러는 다음과 같은 단계를 거쳐 최적화를 진행합니다.

### 1. 데이터 의존성 분석 (Data Dependence Analysis)
컴파일러는 루프 내의 변수들이 서로 어떻게 의존하는지 분석합니다. 만약 루프의 $i$번째 반복이 $i-1$번째 반복의 결과에 의존한다면, 벡터화가 불가능하거나 제한될 수 있습니다. 의존성 거리가 0이거나 독립적인 경우에만 벡터화가 가능합니다.

### 2. 벡터화 팩터 결정 (Vectorization Factor)
하드웨어의 레지스터 크기(예: AVX2의 256비트, AVX-512의 512비트)와 데이터 타입의 크기를 고려하여, 한 번의 벡터 명령어로 처리할 수 있는 데이터 요소의 개수인 '벡터화 팩터'를 결정합니다.

### 3. 코드 변환 (Code Transformation)
원본의 scalar(스칼라) 루프를 vector(벡터) 루프로 변환합니다. 이때 다음과 같은 하위 최적화 기법들이 함께 적용되기도 합니다.
*   **배열 패킹(Array Packing):** 메모리 접근 패턴을 연속적으로 만들어 캐시 효율을 높입니다.
*   **배열 분할(Array Splitting):** 의존성으로 인해 벡터화가 어려운 부분을 분리하여 처리합니다.
*   **스캐터링/ gatherscatter:** 메모리 접근이 연속적이지 않을 때, 벡터 레지스터의 데이터를 특정 메모리 위치로 분배하거나 반대로 모으는 연산을 사용합니다.

## 주요 이점과 한계

### 이점
*   **실행 속도 향상:** SIMD 명령어를 통해 단일 사이클에 여러 데이터를 처리하므로, 특히 과학 계산, 이미지 처리, 머신러닝 추론 등에서 성능이 비약적으로 향상됩니다.
*   **전력 효율성:** 동일한 작업을 더 적은 명령어 사이클로 처리하므로, 프로세서의 전력 소비 대비 성능(SPP)이 개선됩니다.
*   **코드 변경 불필요:** 개발자가 코드를 수정하지 않아도 컴파일러가 자동으로 최적화하여 적용할 수 있습니다.

### 한계 및 도전 과제
*   **데이터 의존성:** 루프 내의 강한 데이터 의존성(예: `a[i] = a[i-1] + 1`)이 존재할 경우 벡터화가 불가능합니다.
*   **메모리 접근 패턴:** 비정렬된 메모리 접근(Unaligned Memory Access)이나 불규칙한 접근 패턴은 벡터화 성능을 저하시키거나 벡터화를 방해할 수 있습니다.
*   **브랜치 예측:** 루프 내에 조건문(`if` 등)이 많으면 분기 예측 실패로 인해 성능이 오히려 떨어질 수 있어, 컴파일러가 벡터화를 포기하기도 합니다.

## 구현 예시

다음은 C 언어 코드에서 루프 벡터화가 어떻게 적용되는지를 보여주는 예시입니다.

**벡터화 전 (Scalar Loop):**
```c
for (int i = 0; i < N; i++) {
    C[i] = A[i] + B[i];
}
```
이 코드는 매 반복마다 `A[i]`와 `B[i]`를 메모리에서 로드하여 더한 후 `C[i]`에 저장합니다.

**벡터화 후 (Vectorized Loop - 개념적):**
컴파일러가 벡터화 팩터 4를 선택했다고 가정하면, 다음과 같은 SIMD 명령어 시퀀스로 변환될 수 있습니다.

```assembly
; 벡터 레지스터 vA, vB, vC를 사용
LOAD vA, [A + i]   ; A[i], A[i+1], A[i+2], A[i+3] 로드
LOAD vB, [B + i]   ; B[i], B[i+1], B[i+2], B[i+3] 로드
ADD  vC, vA, vB    ; 벡터 덧셈 수행 (4개 연산 동시에)
STORE [C + i], vC  ; 결과 저장
```
이렇게 하면 루프 카운터 증가 횟수가 1/4로 줄어들고, 메모리 대역폭 활용도가 높아집니다.

## 관련 기술 및 도구

*   **SIMD ISA:** Intel의 SSE, AVX, AVX-512, ARM의 NEON, SVE 등이 루프 벡터화를 위한 하드웨어 명령어 집합을 제공합니다.
*   **컴파일러 옵션:** GCC의 `-O3 -ftree-vectorize`, Clang의 `-O3 -march=native` 등의 옵션을 통해 루프 벡터화를 활성화하거나 디버깅할 수 있습니다.
*   **Auto-vectorization:** 컴파일러가 자동으로 루프 벡터화를 수행하는 과정을 지칭하며, 최근 컴파일러들은 정적 분석과 동적 피드백을 결합하여 더 정교한 벡터화를 지원합니다.

## 참고 자료

*   *Modern Compiler Implementation in C*, Andrew Appel
*   Intel® 64 and IA-32 Architectures Optimization Reference Manual
*   LLVM Language Reference Manual - Loop Vectorization