arm64 汇编：LDP 与 LD4 执行时间

假设我想用连续内存位置的值加载四个连续的 aarch64 向量寄存器。一种方法是

ldp   q0, q1, [x0]
ldp   q2, q3, [x0, 32]

根据ARM优化指南 https://static.docs.arm.com/uan0016/a/cortex_a72_software_optimization_guide_external.pdf对于 Cortex A72（我的目标处理器），这两条指令中的每一条都在 L 管道上占用 6 个周期的执行时间，总共 12 个周期。

但我也可以使用带交错的加载，这允许我一次加载所有 4 个寄存器：

ld4   {v0.2d, v1.2d, v2.2d, v3.2d}, [x0]

这也节省了代码大小，并且根据上述指南，总共只需要 8 个周期的执行时间。

我知道交错意味着数据以不同的方式存储在我的寄存器中，但应该假设我以后的使用可以处理交错和非交错数据。（例如，对数组求和。）

正如我从理论执行时序中读到的那样，LD4 真的比 LDP 快两倍吗？ 当然，对于 STP 和 ST4 也可以提出同样的问题。 也许这里有人已经对这个主题进行了基准测试。

（我是否正确地解释了时间？）