CPUで浮動小数点計算をスレッド化すると、計算にかなり時間がかかるのはなぜですか？

私は現在、科学的シミュレーション（重力nbody）に取り組んでいます。私は最初にナイーブなシングルスレッドアルゴリズムでそれを書きました、そしてこれは少数の粒子に対して許容できるように実行されました。次に、このアルゴリズムをマルチスレッド化し（驚異的並列）、プログラムの所要時間は約3倍でした。以下は、同様のプロパティを持ち、/ tmp内のファイルに出力される簡単なアルゴリズムの最小限の完全で検証可能な例です（Linuxで実行するように設計されていますが、C ++も標準です）。このコードを実行すると、152.62MBのファイルが生成されることに注意してください。データは、コンパイラがプログラムからの計算を最適化するのを防ぐために出力されます。

#include <iostream>
#include <functional>
#include <thread>
#include <vector>
#include <atomic>
#include <random>
#include <fstream>
#include <chrono>

constexpr unsigned ITERATION_COUNT = 2000;
constexpr unsigned NUMBER_COUNT = 10000;

void runThreaded(unsigned count, unsigned batchSize, std::function<void(unsigned)> callback){
    unsigned threadCount = std::thread::hardware_concurrency();
    std::vector<std::thread> threads;
    threads.reserve(threadCount);

    std::atomic<unsigned> currentIndex(0);

    for(unsigned i=0;i<threadCount;++i){
        threads.emplace_back([&currentIndex, batchSize, count, callback]{
            unsigned startAt = currentIndex.fetch_add(batchSize);

            if(startAt >= count){
                return;
            }else{
                for(unsigned i=0;i<count;++i){
                    unsigned index = startAt+i;
                    if(index >= count){
                        return;
                    }
                    callback(index);
                }
            }
        });
    }

    for(std::thread &thread : threads){
        thread.join();
    }
}

void threadedTest(){
    std::mt19937_64 rnd(0);
    std::vector<double> numbers;

    numbers.reserve(NUMBER_COUNT);
    for(unsigned i=0;i<NUMBER_COUNT;++i){
        numbers.push_back(rnd());
    }

    std::vector<double> newNumbers = numbers;

    std::ofstream fout("/tmp/test-data.bin");

    for(unsigned i=0;i<ITERATION_COUNT;++i) {
        std::cout << "Iteration: " << i << "/" << ITERATION_COUNT << std::endl;
        runThreaded(NUMBER_COUNT, 100, [&numbers, &newNumbers](unsigned x){
            double total = 0;
            for(unsigned y=0;y<NUMBER_COUNT;++y){
                total += numbers[y]*(y-x)*(y-x);
            }
            newNumbers[x] = total;
        });
        fout.write(reinterpret_cast<char*>(newNumbers.data()), newNumbers.size()*sizeof(double));
        std::swap(numbers, newNumbers);
    }
}

void unThreadedTest(){
    std::mt19937_64 rnd(0);
    std::vector<double> numbers;

    numbers.reserve(NUMBER_COUNT);
    for(unsigned i=0;i<NUMBER_COUNT;++i){
        numbers.push_back(rnd());
    }

    std::vector<double> newNumbers = numbers;

    std::ofstream fout("/tmp/test-data.bin");

    for(unsigned i=0;i<ITERATION_COUNT;++i){
        std::cout << "Iteration: " << i << "/" << ITERATION_COUNT << std::endl;
        for(unsigned x=0;x<NUMBER_COUNT;++x){
            double total = 0;
            for(unsigned y=0;y<NUMBER_COUNT;++y){
                total += numbers[y]*(y-x)*(y-x);
            }
            newNumbers[x] = total;
        }
        fout.write(reinterpret_cast<char*>(newNumbers.data()), newNumbers.size()*sizeof(double));
        std::swap(numbers, newNumbers);
    }
}

int main(int argc, char *argv[]) {
    if(argv[1][0] == 't'){
        threadedTest();
    }else{
        unThreadedTest();
    }
    return 0;
}

これを実行すると（Linuxでclang 7.0.1を使用してコンパイル）、Linuxtimeコマンドから次の時間が得られます。これらの違いは、実際のプログラムで見られるものと似ています。「実際の」というラベルの付いたエントリは、プログラムの実行にかかる時間であるため、この質問に関連するものです。

シングルスレッド：

real    6m27.261s
user    6m27.081s
sys     0m0.051s

マルチスレッド：

real    14m32.856s
user    216m58.063s
sys     0m4.492s

そのため、大幅に高速化すると予想される場合、この大幅な速度低下の原因を尋ねます（8コアの16スレッドCPUを使用しているため、約8倍）。次のステップはアルゴリズムにいくつかの変更を加えてO（n²）からO（nlogn）に変更することであるため、これをGPUに実装していませんが、これもGPUには適していません。変更されたアルゴリズムは、含まれている例よりも、現在実装されているO（n²）アルゴリズムとの違いが少なくなります。最後に、各反復を実行するための主観的な時間（反復行が表示される間の時間によって判断される）が、スレッド実行と非スレッド実行の両方で大幅に変化することを確認したいと思います。