В системе команд можно делать специальные поля, которые будут одновременно с расчетами выполнять переход. Литерал в такую команду трудно добавить, а RET или LOOP вполне можно. Но это уже получится упражнение "расставьте поля команды, чтобы было и полезно, и не слишком громоздко". В тестах понятно, что по сути работает только тело вложенного цикла, а накладные расходы идут параллельно с выполнением стековых манипуляций. Ну, оно тоже имеет право на жизнь.

Глянул их код чуть повнимательнее.Там много опечаток, например, отсутствует строка с адресом 001009 (там должен быть jmp IN1), по адресу 001014 адрес прыжка неправильный (должен быть прыжок по адресу XXXE, а не XXX3, видимо, неправильно распозналось при сканировании ), да и формат команды вызывает некоторые сомнения. На глаз там во внутреннем цикле 15-20 команд, но сложно в таком варианте оценивать, если не знать, сколько тактов выполняется каждая команда, выполняются ли они параллельно и т.д. С другой стороны у нас есть тактовая частота и время выполнения миллиона итераций. Смело перемножаем одно на другое - получаем количество тактов на итерацию во внутреннем цикле: 200*0.17=34 такта на итерацию цикла в INNER. Для сравнения 68040 и R4000 тратят вполне достойные 9 и 12 тактов соответственно, да даже 68030 с его 18 тактами на итерацию не так уж и плох.
Создатели F21 пытются выйти из положения и разворачивают внутренний цикл, убирая тем самым накладные расходы на организацию цикла, в результате в общем-то простой код жиреет аж до 400 байт, но количество тактов на итерацию уменьшается всего лишь до 15. И лишь когда они задействуют вместо честного литерала свой внутренний регистр А (вручную или компилятор сам сообразил?), то получают космические 2 такта на итерацию.
А у меня, например, в базовом варианте с 6-битными командами литерал весит 2 команды (и такта), еще такт на drop, ну и еще один на loop. В результате итерация весит 3 байта и длится 4 такта. А в продвинутом варианте (4- и 6-битном) всего два такта: первый на 34+drop, а второй на loop. При желании, наверное, можно и в один такт уложиться.
И да, команды для реализации аппаратных циклов - это (с оговорками) условные call и ret. Например, while и do вполне можно обозвать условным call, а repeat и loop - условными ret. Разница лишь в том, что одни проверяют и меняют счетчик цикла, а другие проверяют условие. Условным call необходим полный литерал (адрес, по которому прыгать при невыполнении условия), но они выполняются лишь раз в качестве пролога перед входом в тело цикла, а условные ret литералов не требуют (адрес начала цикла берут из стека возвратов) и выполняются за такт.

Игры с внутренними регистрами в целях улучшить показатели в синтетических тестах в конечном итоге не дают практической пользы. Если разобраться, в итоге это приводит к добавлению аппаратного ядра, которое и выполняет основную работу, и тут его стоит аккуратно "отцепить" от процессора, чтобы не делать из универсального устройства компонент, который по сути будет крутиться в цикле CMD1 CMD2. В принципе есть варианты ускорения циклов и часто встречаются дополнительные флаги "одновременно с этой командой делать ret". Но такие флаги начинают расползаться по системе команд, портя ее внутреннюю согласованность.

Coremark пока не компилируется, т.к. до сих пор не дошли руки до указателей на функции в моем трансляторе.

Но зато с полпинка завелся тест Dhrystone. Наконец-то добрался до платы с ПЛИС и прогнал Дрыстоний через свои процессоры:Для сравнения здесь же приведены цифры по "эталонному" vax11/780, core 2 duo e8500, под который скомпилировал своим транслятором и по другим процессорам (взято отсюда http://www.roylongbottom.org.uk/dhrystone%20results.htm).

Из моих в списке risc c 8-битными командами (по 4 бита на код команды и register/immediate) и форт-процессоры с 4- и 6- битными командами. Процессоры f42x2/f43x6/f44x6 выполняют в точности ту же прошивку, что f42/f43/f44 соответстенно. Но f42x2 умеет выполнять одновременно до 2 команд за такт (команды 0-3, push/0-3 или push/push), f43x6 умеет за такт до 6 команд, в т.ч. n(литерал)/n call/n jz/dup(0 pick), ну а f44x6 - те же, что и в f43x6, плюс n +/n -/n @/n !/drop(0 * -)/over(1 pick)/nip(swap 0 * -), в результате работают заметно быстрее.




ссылка на изображение

Ого! Это серьезно.
Тут ведь еще какой интересный вывод получается. Вот в рамках одного архитектурного подхода получился набор ядер. Они показали существенно разные характеристики на Dhrystone. В принципе понятно, что там можно менять, чтобы они были еще лучше. Теперь можно пойти дальше и распространить подход на тесты, имитирующие реальные задачи. Будет аналогично - базовое ядро, тесты, модификация для улучшения характеристик в нужную сторону.

Ну я в основном занимался не затачиванием процессора под Dhrystone, а ускорением традиционных для Форта примитивов, которым по понятным причинам не хватило места в системе из 16 команд. Вот в дополнение к предыдущему варианту добавил в f44x6 за такт 15 rshift (знак числа), n *, invert (dup nand), < (- 15 rshift). В результате стало еще чуточку быстрее:Ну и есть понимание, чего примерно можно ожидать от процессора с чуть более широкой системой команд, в котором все базовые примитивы будут из коробки. Другими словами, я пытался нащупать некий гипотетический потолок производительности для Форт-процессоров с достаточно широким машинным словом, при этом, однако, держал в уме, что компилятор совсем слабый, а, следовательно, с коммерческим компилятором результаты должны быть гораздо выше. Ну а вообще можно двигаться как в сторону увеличения количества одновременно выполняемыых за такт команд или же увеличения количества ядер, так и в сторону увеличения разрядности машинного слова. И видно, что, например, даже небольшие (и практически бесплатные с точки зрения потребления ресурсов ПЛИС) изменения (2 команды за такт в f42x2) приводят к существенному росту скорости. Как и расширение машинного слова с 4 до 6 бит, в результате чего например f61, который выполняет ровно по одной команде, в 2-3 раза опережает обычные процессоры с 4-битными командами, да и не сильно отстает от раскочегаренного до неприличия f44x6. Причем это самый первый и самый простой вариант 6-битного процессора, есть и другие более навороченные, но они пока не завелись в ПЛИС. А так да, когда на горизонте забрезжит какая-то реальная задача, то система команд будет затачиваться именно под нее, в т.ч. добавлением новых команд, может даже экзотических. Но это на случай. если вдруг процессор общего назначения перестанет справляться.

Но главное, что удалось убить сразу несколько зайцев (шучу, ни один заяц при съемках не пострадал):
- убедился, что компилятор Си успешно транслирует достаточно сложный исходник, который (это тоже важно) был написан другим человеком;
- обнаружил (не без удивления), что мои процессоры не сильно проигрывают обычным серийным процессорам, за такие цифры не стыдно, более того, есть понимание, что если здесь вдруг появится возможность использования коммерческого компилятора с тучей возможных оптимизаций (например, которые транслируют в условный llvm или в webassembly), то результаты, естественно, окажутся еще более впечатляющими, кстати, никто ведь не запрещает использовать Форт и Форт-ассемблер, результат в моем случае почти всегда оказывается более быстрым и компактным, если сравнивать с выхлопом от моего транслятора Си;
- увидел, что связка свой-процессор/свой-компилятор (Си, Форт или любой другой) вполне жизнеспособна, даже когда процессор до неприличия простой, а компилятор Си даже не умеет константные выражения на этапе компиляции вычислять, про какие-либо оптимизации я вообще молчу, тем не менее, рано или поздно оптимизации появятся, вижу много мест, где транслятор должен рожать более красивый код;
- получил инструмент, при помощи которого можно сравнивать между собой разные системы команд, раньше сравнивал при помощи 3d-бродилки, и хотя корреляция между тестами есть, но доверия к общепризнанному инструменту чуточку больше

Кстати, наткнулся тут и вспомнил, откуда тестовая 3d-бродилка взялась.

ссылка на изображение
Она там была в нескольких вариантах на Си, взял первую из них и перевел на Форт, попутно заменив float на int. Если мне не изменяет склероз, там же были сразу варианты с fixed point и текстурами.

Выдалась свободная минутка, перепрогнал Dhrystone через свои процессоры, ибо мой компилятор Си-в-Форт чуточку повзрослел.Процессор с 4-битными командами уже на пределе (f44x6), маловероятно, что в плане производительности удастся выжать из него еще хоть что-то. Разве что оптимизации добавлять в компилятор или систему команд чуть более удачную придумывать. А вот у процессора с 6-битными командами есть огромный резерв и простор для творчества (перечислю только основные моменты):
- сама система команд, есть несколько вариантов, в "железе" пока реализована самая простая (и медленная);
- 2 свободных слота в текущей системе команд;
- при трансляции Си-в-Форт сишные циклы for/while/do-while транслируются в jz/jmp, а намного более быстрые аппаратные циклы while-repeat и do-loop не задействованы;
- и, наконец, никто не запрещает выполнять по несколько команд за такт (как и в f44x6), ну а пока читается по 3 команды за такт (задел на будущее, можно и 6 сделать), но выполняется пока ровно по одной;
Ну а еще сам компилятор. Все же Dhrystone оценивает не производительность процессора, а производительность связки процессор+компилятор. И тем удивительнее, что даже в таком сыром виде творческий союз "самодельный процессор"+"самодельный компилятор" не проигрывает тандему "серийный процессор"+"профессиональный компилятор".

upd. Для коллекции процессор с 6-битными командами и литералами за 1-2 такта, пока еще в зачаточном состоянии, но пусть будетКод программы нарезан на 18-битные порции (куски по 3 6-битных команды), 2 такта на литерал получается, если литерал целиком не помещается в текущее 18-битное слово и наползает на следующее. Кроме литералов ничего не делал.