修改函数以使用 SSE 内部函数

我正在尝试计算根式的近似值：sqrt(i + sqrt(i + sqrt(i + ...)))使用 SSE 以获得矢量化的加速（我还读到，SIMD 平方根函数的运行速度比先天 FPU 平方根函数快约 4.7 倍）。但是，我在矢量化版本中获得相同的功能时遇到问题;我得到的值不正确，我不确定

我原来的功能是这样的：

template <typename T>
T CalculateRadical( T tValue, T tEps = std::numeric_limits<T>::epsilon() )
{
    static std::unordered_map<T,T> setResults;
    auto it = setResults.find( tValue );
    if( it != setResults.end() )
    {
        return it->second;
    }
    T tPrev = std::sqrt(tValue + std::sqrt(tValue)), tCurr = std::sqrt(tValue + tPrev);
    // Keep iterating until we get convergence:
    while( std::abs( tPrev - tCurr ) > tEps )
    {
        tPrev = tCurr;
        tCurr = std::sqrt(tValue + tPrev);
    }
    setResults.insert( std::make_pair( tValue, tCurr ) );
    return tCurr;
}

我编写的 SIMD 等效项（当此模板函数使用 T = float 实例化并给定tEps = 0.0005f时）是：

// SSE intrinsics hard-coded function:
__m128 CalculateRadicals( __m128 values )
{
    static std::unordered_map<float, __m128> setResults;
    // Store our epsilon as a vector for quick comparison:
    __declspec(align(16)) float flEps[4] = { 0.0005f, 0.0005f, 0.0005f, 0.0005f };
    __m128 eps = _mm_load_ps( flEps );
    union U {
        __m128 vec;
        float flArray[4];
    };
    U u;
    u.vec = values;
    float flFirstVal = u.flArray[0];
    auto it = setResults.find( flFirstVal );
    if( it != setResults.end( ) )
    {
        return it->second;
    }
    __m128 prev = _mm_sqrt_ps( _mm_add_ps( values, _mm_sqrt_ps( values ) ) );
    __m128 curr = _mm_sqrt_ps( _mm_add_ps( values, prev ) );
    while( _mm_movemask_ps( _mm_cmplt_ps( _mm_sub_ps( curr, prev ), eps ) ) != 0xF )
    {
        prev = curr;
        curr = _mm_sqrt_ps( _mm_add_ps( values, prev ) );
    }
    setResults.insert( std::make_pair( flFirstVal, curr ) );
    return curr;
}

我使用以下代码在循环中调用该函数：

long long N;
std::cin >> N;
float flExpectation = 0.0f;
long long iMultipleOf4 = (N / 4LL) * 4LL;
for( long long i = iMultipleOf4; i > 0LL; i -= 4LL )
{
    __declspec(align(16)) float flArray[4] = { static_cast<float>(i - 3), static_cast<float>(i - 2), static_cast<float>(i - 1), static_cast<float>(i) };
    __m128 arg = _mm_load_ps( flArray );
    __m128 vec = CalculateRadicals( arg );
    float flSum = Sum( vec );
    flExpectation += flSum;
}
for( long long i = iMultipleOf4; i < N; ++i )
{
    flExpectation += CalculateRadical( static_cast<float>(i), 0.0005f );
}
flExpectation /= N;

我得到以下输入5输出：

With SSE version: 2.20873
With FPU verison: 1.69647

差异从何而来，我在 SIMD 等效项中做错了什么？

编辑：我已经意识到Sum函数在这里是相关的：

float Sum( __m128 vec1 )
{
    float flTemp[4];
    _mm_storeu_ps( flTemp, vec1 );
    return flTemp[0] + flTemp[1] + flTemp[2] + flTemp[3];
}