SIMDとは？AVX2・NEONの仕組みと自動ベクトル化・組み込み関数の書き方

SIMD（シムド、Single Instruction Multiple Data）とは、1つの命令で複数のデータをまとめて処理するCPUの並列処理方式です。画像処理や音声処理、数値計算、JSONの解析のように「同じ演算を大量の要素へ繰り返す」処理が、SIMDの効果を得やすい対象です。本記事では、SIMDの仕組みとx86・Armの命令セットの違いを押さえたうえで、手元のCPUの対応状況を確かめるコマンド、GCC・Clangの自動ベクトル化が効いたかを確認する手順、AVX2組み込み関数のコード例、Rust・.NET・Java・WebAssemblyでの書き方の現状を順に扱います。最後に、受託開発の現場でSIMDに手を入れる条件と見送る場面を言い切ります。

まとめ：SIMDはまずコンパイラの自動ベクトル化を確認してから手を入れる

SIMDは、128ビットや256ビットの幅広いレジスタに複数の値を詰め、1命令で一斉に演算する仕組みです。32ビットの浮動小数点数なら、128ビット幅で4個、256ビット幅（AVX2）で8個を同時に足せます。x86ではSSE・AVX2・AVX-512、ArmではNEON・SVEが代表的な命令セットになります。

実装者が押さえる順序は3段階です。第一に、GCCもClangも単純なループは自動でSIMD命令へ変換するため、まずコンパイラのレポートで「ベクトル化されたか」を確認すること。第二に、ベクトル化されないループだけを組み込み関数（intrinsics）や言語ごとのSIMD APIで書き直すこと。第三に、書き直す前後で必ず計測し、メモリ帯域が詰まっている処理では速くならない点を受け入れることです。NumPyやsimdjsonのように、すでにSIMDで書かれたライブラリへ処理を寄せるだけで足りる場面も多くあります。

SIMDとは：1命令で複数データを処理する仕組みとSSE・AVX・NEONの違い

まず、SIMDが通常の処理と何が違うのか、そしてCPUごとにどの命令セットがあるのかを整理します。ここを押さえると、後半のコンパイラオプションや組み込み関数の名前が読めるようになります。

スカラー処理との違いと、128・256・512ビット幅で並ぶ要素数

通常のスカラー処理は、加算命令1回で1組の値を足します。配列の要素が1,000個あれば、加算命令も1,000回です。SIMDでは、幅の広いベクトルレジスタに複数の要素を並べて読み込み、1回の加算命令で全レーンを同時に計算します。256ビット幅なら32ビット浮動小数点数が8個入るので、命令数は理論上8分の1になります。

レジスタ幅と要素数の関係は次のとおりです。要素の型が小さいほど1命令で扱える個数が増えるため、8ビット整数を扱う画像処理や文字列処理はSIMDの恩恵を受けやすい分野といえます。

x86のSSE・AVX2・AVX-512とArmのNEON・SVEの位置づけ

x86系CPUでは、128ビット幅のSSE系、256ビット幅のAVX・AVX2、512ビット幅のAVX-512が段階的に追加されてきました。ArmではNEON（Advanced SIMD）が128ビット幅で、SVE・SVE2は実装ごとにベクトル長が変わる可変長の方式です。WebAssemblyにも128ビット固定幅のSIMDがあります。

注意したいのは、幅が広いほど速いとは限らない点です。Microsoft Learnの.NET SIMD解説は、x86の256ビット演算は内部で128ビットのレーン2本として扱われ、レーンをまたぐ並べ替えや水平加算は128ビット版より高くつく場合があると説明しています。同じページでは、128ビットを超える幅を提供しているのは現時点でx86・x64だけとも明記されています。

手元のCPUが対応するSIMD命令をLinuxとmacOSのコマンドで確かめる

SIMDのコードを書く前に、開発機と本番サーバーのCPUがどの命令セットに対応しているかを確認します。開発機でAVX-512が動いても、本番のクラウドインスタンスで使えなければ不正命令で落ちるためです。Linuxでは/proc/cpuinfoのフラグ、macOSではsysctlの値で判定できます。

# Linux（x86）：SIMD関連のフラグだけを抜き出す
grep -o -w -E 'sse4_2|avx2|avx512f' /proc/cpuinfo | sort -u

# Linux（Arm64）：asimd が NEON、sve が SVE を表す
grep -o -w -E 'asimd|sve|sve2' /proc/cpuinfo | sort -u

# macOS：hw.optional 以下に命令セットごとの対応フラグが並ぶ
sysctl hw.optional | grep -i -E 'neon|avx'

何も表示されなければ、その命令セットは使えません。コンテナや仮想マシンの中でも同じコマンドで確認できますが、ハイパーバイザーが一部のフラグを隠す構成もあるため、判定は本番と同じインスタンスタイプで行うのが確実です。

GCC・Clangの自動ベクトル化を有効にしてレポートで効いたか確かめる

SIMDを使う最初の手段は、コードを書き換えずにコンパイラへ任せる自動ベクトル化です。素直な配列ループであれば、コンパイラが自動でSIMD命令を生成します。ここでは、ベクトル化を有効にする条件と、効いたかどうかをレポートで読む方法を示します。

-O2と-march指定でループがベクトル化される条件を押さえる

GCCのOptimize Optionsのマニュアルでは、ループのベクトル化（-ftree-loop-vectorize）とSLPベクトル化は-O2で既定有効と記載されています。ClangもLLVMのAuto-Vectorization解説のとおり、Loop Vectorizerが既定で有効で、-fno-vectorizeで無効化できます。

ただし、何も指定しないとx86-64の基本命令（SSE2の128ビット）までしか使われません。AVX2を使わせるには-mavx2か、AVX2を含む命令レベル-march=x86-64-v3を指定します。もう1つの条件はポインタの重なりです。出力先と入力が同じメモリを指す可能性があると、コンパイラは安全側に倒して実行時チェックを挟むか、ベクトル化を諦めます。重ならないことをrestrictで宣言しておくと素直に変換されます。

/* add.c：自動ベクトル化の対象になる素直なループ */
#include <stddef.h>

void add(float *restrict a, const float *restrict b,
         const float *restrict c, size_t n) {
    for (size_t i = 0; i < n; i++) {
        a[i] = b[i] + c[i];
    }
}

-fopt-info-vecと-Rpassでベクトル化されなかった理由を読む

ベクトル化されたかどうかは、生成されたアセンブリを読まなくてもコンパイラのレポートで分かります。GCCは開発者向けオプションのマニュアルにある-fopt-info-vec系、Clangは-Rpass系の診断を使います。

# GCC：ベクトル化できたループと、できなかったループの理由を表示
gcc -O2 -march=x86-64-v3 -fopt-info-vec-optimized -fopt-info-vec-missed -c add.c

# Clang：成功は -Rpass、失敗は -Rpass-missed、原因の文は -Rpass-analysis
clang -O2 -march=x86-64-v3 -Rpass=loop-vectorize \
      -Rpass-missed=loop-vectorize -Rpass-analysis=loop-vectorize -c add.c

成功すると、GCCは「loop vectorized」、Clangは「vectorized loop」を含む行を出力し、ベクトル幅も併記されます。失敗した場合は、ループ内の関数呼び出し、要素間の依存、分岐、ポインタの重なりなどが理由として示されます。この理由を1つずつ潰すのが、組み込み関数を書く前にやるべき作業です。

AVX2組み込み関数で配列加算を書き、端数と非対応CPUに備える

自動ベクトル化が効かないループや、命令の選び方まで制御したい処理では、組み込み関数を使います。組み込み関数は、C・C++からSIMD命令をほぼ1対1で呼び出せる関数群です。

_mm256_loadu_psと_mm256_add_psで8要素ずつ足すコード

次のコードは、AVX2で32ビット浮動小数点数を8個ずつ読み込み、加算して書き戻します。_mm256_loadu_psはアライメントを問わない読み込み、_mm256_add_psは8レーン同時の加算です。要素数が8で割り切れない端数は、最後にスカラーのループで処理します。この端数処理の書き漏れは、配列の末尾を越えて読む典型的なバグになります。

#include <immintrin.h>
#include <stddef.h>

/* AVX2版：この関数だけAVX2命令の生成を許可する */
__attribute__((target("avx2")))
static void add_avx2(float *a, const float *b, const float *c, size_t n) {
    size_t i = 0;
    for (; i + 8 <= n; i += 8) {
        __m256 vb = _mm256_loadu_ps(b + i);
        __m256 vc = _mm256_loadu_ps(c + i);
        _mm256_storeu_ps(a + i, _mm256_add_ps(vb, vc));
    }
    for (; i < n; i++) {          /* 8で割り切れない端数 */
        a[i] = b[i] + c[i];
    }
}

static void add_scalar(float *a, const float *b, const float *c, size_t n) {
    for (size_t i = 0; i < n; i++) {
        a[i] = b[i] + c[i];
    }
}

/* 実行時にCPUを判定して振り分ける */
void add(float *a, const float *b, const float *c, size_t n) {
    if (__builtin_cpu_supports("avx2")) {
        add_avx2(a, b, c, n);
    } else {
        add_scalar(a, b, c, n);
    }
}

関数名の規則は「_mm256が256ビット幅、addが演算、psが単精度の詰め込み」です。全関数の一覧はIntelが公開するIntrinsics Guideで命令セット別に引けます。

target属性と__builtin_cpu_supportsで非対応CPUの停止回避

上のコードは、ファイル全体を-mavx2でビルドしない点が要所です。全体にAVX2を許可すると、コンパイラは判定前の箇所にもAVX2命令を混ぜる可能性があり、非対応CPUでは起動直後に落ちます。GCCのx86関数属性にあるtarget("avx2")で関数単位に許可し、x86組み込み関数のマニュアルにある__builtin_cpu_supportsで実行時に分岐させます。この関数に指定できるのは"avx2"や"avx512f"だけでなく、"x86-64-v3"のような命令レベル名も対象です。

配布先のCPUが揃っている社内システムなら、ビルド全体を-march=x86-64-v3に固定する方が単純です。不特定のPCで動くソフトウェアやライブラリでは、実行時の振り分けを入れる構成を選びます。

Rust・.NET・Java・WebAssemblyでSIMDを書くときのAPIと安定度

C・C++以外の言語でも、SIMDを明示的に書くAPIが用意されています。ただし安定度には差があり、本番コードに採用できる段階かどうかを先に確認しておく必要があります。2026年10月時点の状況は次のとおりです。

Rustはnightly限定、Javaはインキュベータ段階にとどまる

Rustの移植性のあるSIMD API std::simdは、公式ドキュメントで「nightly-only experimental API」と表示され、portable_simd機能フラグが必要です。安定版で書く場合の選択肢は、CPUごとの組み込み関数を集めたstd::archです。.NETはMicrosoft LearnがVector128<T>から始めることを推奨し、IsHardwareAcceleratedで実行時の対応を判定できます。手書きせずに済むTensorPrimitivesも同じページで案内されています。

JavaのVector APIは、JEP 537でJDK 27の第12次インキュベータとして提供され、--add-modules jdk.incubator.vectorの指定が必要です。Project Valhallaの値クラスが揃うまでインキュベータに置かれる方針のため、長期保守する業務システムでは採用について慎重な判断が必要です。WebAssemblyは完了済み提案の一覧で、固定幅SIMDがWasm 2.0、Relaxed SIMDがWasm 3.0に入ったことを確認できます。Wasmそのものの仕組みはWebAssembly(Wasm)とは？JavaScript連携とMemory・Table操作の実装、Rustからのビルド手順はRustでWebAssemblyを実装する手順で扱っています。

NumPyやsimdjsonなど既存ライブラリでSIMDの恩恵を受ける

自分でSIMDを書かなくても、SIMD対応済みのライブラリへ処理を寄せることで効果を得る方法も有効です。NumPyのCPU/SIMD対応の解説によると、NumPyは基準となる命令セット向けと追加の命令セット向けに複数のカーネルをビルドし、読み込み時にCPUを調べて対応するカーネルを選びます。Pythonで配列を要素ごとにループしているなら、NumPyの配列演算へ書き換えるだけでSIMDが効く経路に乗ります。ループのまま速くしたい場合はNumbaとは？Pythonを高速化するJITコンパイラの使い方、表形式データならPolarsとは？pandasとの違い・高速化の仕組みも選択肢です。

JSONの解析ではsimdjsonが代表例で、READMEは一般的な本番向けパーサーより4倍以上速いと説明しています。AVX2・AVX-512・NEONなどに対応し、実行時にCPUに合った実装を自動で選ぶため、利用側が命令セットを意識する必要はありません。

SIMD化しても速くならない典型パターンと計測で確かめる手順

SIMDは万能ではありません。書き換えたのに速くならない、むしろ遅くなる例も珍しくないため、効かない条件と計測の手順をセットで押さえます。

SIMD化の効果を妨げる分岐・要素間の依存・メモリ帯域の制約

SIMDが効かない代表は3つです。1つ目は要素ごとに処理が分かれる分岐で、全レーンの両方の経路を計算してから結果を選ぶ形になり、得が目減りします。2つ目は前の要素の結果を次の要素が使う依存関係で、累積和のような処理はそのままでは並列化できません。3つ目はメモリ帯域です。足し算のように計算が軽い処理では、CPUの演算より主記憶からの読み込みが先に詰まり、命令数を減らしても全体時間はほとんど変わりません。

配列が小さい場合も、準備と端数処理のコストが勝って遅くなります。.NETの解説も、入力が小さいとベクトル化コードがスカラーより遅くなることがあり、256ビットで32ビット要素を扱っても8倍速くなることはまれだと明記しています。

ベクトル化を切った版との比較と、本番の実データの大きさに合わせた計測

効果の確認は、同じソースをベクトル化あり・なしでビルドし直して比べるのが手軽です。GCCなら-fno-tree-vectorize、Clangなら-fno-vectorizeを付けた版を基準にします。入力サイズは、本番で実際に流れる件数とデータ型に合わせます。小さな検証データで速くなっても、本番の大きな配列でキャッシュに載りきらなければ結果は変わるためです。複数回実行してばらつきを見ること、計測中に他の重い処理を止めることも忘れずに行います。

受託開発でSIMDに手を入れる条件と、計測結果に基づく採否判断の線引き

ここまでの内容を踏まえ、業務システムや受託開発の現場でSIMDの手書きに踏み込むかどうかの判断基準を示します。結論は「手書きは最後の手段」です。

手を入れる条件：計測で特定したホットループが処理時間の大半を占める

SIMDの手書きに進んでよいのは、次の条件がそろったときです。プロファイラで処理時間の大半を占めるループが特定できていること。そのループが同じ演算を大量の要素へ繰り返す形であること。自動ベクトル化のレポートで変換されない理由が確認済みで、コードの書き換えでは解消できないこと。そして、対象CPUが本番環境で固定されているか、実行時の振り分けを保守できる体制があることです。画像・音声の変換、検索のスコア計算、CPU上のAI推論の前処理などが該当しやすい領域で、推論全体の高速化手法はLLM推論とは？仕組みと高速化の手法にまとめています。

見送る場面：DBやネットワーク待ちが支配的な一般的な業務アプリ

反対に、Webアプリや業務システムの遅さの多くはデータベースのクエリ、外部APIの待ち時間、N+1問題などに起因し、CPUの演算は律速になっていません。この状態でSIMDを手書きしても体感は変わらず、命令セットごとの分岐とテストの手間だけが増えます。まずは処理の性能要件を数値で決め、どこが遅いかを測ることが先です。性能要件をどの工程で決め、どのテストで確かめるかはシステム開発の工程とは？7フェーズの成果物と工数比率で整理しています。

性能要件のある処理を設計段階から相談する場合の言語・ライブラリ選定

大量データの変換や計算処理を含むシステムでは、言語とライブラリの選定段階でSIMDが効く経路に乗せておくと、後からの手書きを避けられます。性能要件を伴う業務システムを要件定義から作り込む場合は、フルスクラッチ開発で、処理特性に合わせた言語・ライブラリ選定から計測を前提とした実装まで支援しています。

SIMDの意味・GPUとの違い・自動ベクトル化についてよくある質問

SIMDについて検索でよく問われる論点を5つ取り上げます。

SIMDの読み方と正式名称は？

「シムド」と読み、正式名称はSingle Instruction Multiple Dataです。1つの命令で複数のデータを同時に処理する方式を指し、コンピュータの並列処理を命令とデータの数で分類するフリンの分類に由来する用語です。1命令で1データを扱う通常の処理はSISD、複数の命令が複数のデータを扱うマルチコア処理はMIMDと呼ばれます。

SIMDとGPUの並列処理は何が違いますか？

SIMDはCPUの1コアの中で、4〜16個程度の要素を1命令で処理する仕組みです。GPUは数千規模の演算器で大量のスレッドを同時に動かし、桁違いの並列度を持ちます。一方でGPUはデータをGPUメモリへ転送する手間がかかるため、転送に見合うほど大きな計算でないと速くなりません。CPU上で完結する中規模の処理はSIMD、大規模な行列演算はGPUという分担が基本です。

SIMDとマルチスレッドは併用できますか？

併用できます。マルチスレッドは処理を複数のCPUコアへ分け、SIMDは各コアの中で複数要素をまとめて処理するため、両者は掛け算で効きます。たとえば8コアでそれぞれ8要素幅のAVX2を使う場合、理論上は64要素を同時に扱うことが可能です。ただしメモリ帯域は全コアで共有するため、計算の軽い処理では両方を足しても帯域で頭打ちになる点に注意します。

自動ベクトル化だけで十分なケースはどれくらいありますか？

配列同士の四則演算、要素ごとの変換、単純な合計のような素直なループは、多くが自動ベクトル化で十分です。まず-O2と対象CPUに合わせた-marchを指定し、レポートでベクトル化を確認します。手書きが必要になるのは、並べ替え（シャッフル）や条件付きの選択、文字列の探索のように、コンパイラが自動で組み立てにくい命令の組み合わせが要る処理です。

AVX-512はすべてのサーバーで使えますか？

使えるとは限りません。AVX-512は一部のx86製品だけが対応し、ArmベースのサーバーではNEONやSVEが代わりになります。クラウドではインスタンスタイプごとにCPUが異なるため、本記事のコマンドで本番と同じインスタンスのフラグを確認します。対応が混在する環境では、256ビットのAVX2を基準にして、AVX-512は実行時判定で使える場合だけ切り替える構成が安全です。

関連記事

• Numbaとは？Pythonを高速化するJITコンパイラの使い方とインストール：PythonのループをJITコンパイルで高速化する手順
• Polarsとは？pandasとの違い・高速化の仕組みと実務での採用判断【実装目線】：表形式データ処理を高速化するライブラリの採用判断
• WebAssembly(Wasm)とは？JavaScript連携とMemory・Table操作の実装：ブラウザでSIMDを使う土台となるWasmの仕組み
• RustでWebAssemblyを実装する手順｜wasm-packでのWASM化と軽量化・配置先の選び方【2026年版】：RustからWasmを生成する実装手順
• LLM推論とは？仕組みと高速化の手法・推論基盤の選び方を実装視点で解説【2026年】：CPU・GPU上の推論を高速化する手法の全体像