对于研究问题，我需要使用 AVX2/AVX 指令实现非常高效的 4 位乘法（仅需要低 4 位）。
我目前的做法是：
__m256i _mm256_mullo_epi4(const __m256i a, const __m256i b) {
__m256i mask_f_0 = _mm256_set1_epi16(0x000f);
__m256i tmp_mul_0 = _mm256_and_si256(_mm256_mullo_epi16(a, b), mask_f_0);
__m256i tmp_mul_1 = _mm256_and_si256(_mm256_mullo_epi16(_mm256_srli_epi16(a, 4), _mm256_srli_epi16(b, 4)), mask_f_0);
__m256i tmp_mul_2 = _mm256_and_si256(_mm256_mullo_epi16(_mm256_srli_epi16(a, 8), _mm256_srli_epi16(b, 8)), mask_f_0);
__m256i tmp_mul_3 = _mm256_and_si256(_mm256_mullo_epi16(_mm256_srli_epi16(a, 12), _mm256_srli_epi16(b, 12)), mask_f_0);
__m256i tmp1 = _mm256_xor_si256(tmp_mul_0, _mm256_slli_epi16(tmp_mul_1, 4));
__m256i tmp2 = _mm256_xor_si256(tmp1, _mm256_slli_epi16(tmp_mul_2, 8));
__m256i tmp = _mm256_xor_si256(tmp2, _mm256_slli_epi16(tmp_mul_3, 12));
return tmp;
}
此实现利用相对昂贵的_mm256_mullo_epi16指令 4 次来limb单独计算每个 4 位。这可以以某种方式更快地完成吗？更准确地说：是否可以减少所需指令的数量？