mldsa_gh 0.1.0

data/ext/mldsa_gh_native/vendor/mldsa-native/mldsa/src/native/x86_64/src/mldsa_poly_decompose_88_avx2_asm.S

@@ -0,0 +1,489 @@
+/*
+ * Copyright (c) The mldsa-native project authors
+ * SPDX-License-Identifier: Apache-2.0 OR ISC OR MIT
+ */
+
+/* References
+ * ==========
+ *
+ * - [REF_AVX2]
+ *   CRYSTALS-Dilithium optimized AVX2 implementation
+ *   Bai, Ducas, Kiltz, Lepoint, Lyubashevsky, Schwabe, Seiler, Stehlé
+ *   https://github.com/pq-crystals/dilithium/tree/master/avx2
+ */
+
+/*
+ * This file is derived from the public domain
+ * AVX2 Dilithium implementation @[REF_AVX2].
+ *
+ * The algorithm for Decompose(r) (more specifically the handling for the
+ * wrap-around cases) is modified. See the AVX2 intrinsics version
+ * (poly_decompose_88_avx2.c, predecessor of this file) for a more detailed
+ * comparison.
+ */
+
+
+/*yaml
+  Name: poly_decompose_88_avx2_asm
+  Description: x86_64 AVX2 coefficient decomposition (alpha = 2*(Q-1)/88).
+    For all coefficients c of the input polynomial, compute high and low bits
+    c0, c1 such that c = c1*ALPHA + c0 with -ALPHA/2 < c0 <= ALPHA/2, except if
+    c1 = (Q-1)/ALPHA where we set c1 = 0 and -ALPHA/2 <= c0 = c - Q < 0.
+    Assumes coefficients to be standard (unsigned canonical) representatives,
+    i.e. 0 <= c < Q. For ML-DSA-44 (gamma2 = (Q-1)/88, alpha = 2*gamma2).
+  Signature: void mld_poly_decompose_88_avx2_asm(int32_t *a1, int32_t *a0)
+  ABI:
+    Architecture: x86_64
+    CallingConvention: SysV
+    Features: [AVX2]
+    rdi:
+      type: buffer
+      size_bytes: 1024
+      permissions: write-only
+      c_parameter: int32_t *a1
+      description: Output high-part polynomial (256 x int32_t)
+    rsi:
+      type: buffer
+      size_bytes: 1024
+      permissions: read/write
+      c_parameter: int32_t *a0
+      description: Input polynomial / output low-part (256 x int32_t)
+*/
+
+#include "../../../common.h"
+
+#if defined(MLD_ARITH_BACKEND_X86_64_DEFAULT) &&   \
+    !defined(MLD_CONFIG_NO_SIGN_API) &&            \
+    !defined(MLD_CONFIG_MULTILEVEL_NO_SHARED) &&   \
+    (defined(MLD_CONFIG_MULTILEVEL_WITH_SHARED) || \
+     MLD_CONFIG_PARAMETER_SET == 44)
+
+
+/*
+ * WARNING: This file is auto-derived from the mldsa-native source file
+ *   dev/x86_64/src/mldsa_poly_decompose_88_avx2_asm.S using scripts/simpasm. Do not modify it directly.
+ */
+
+.text
+.balign 4
+.global MLD_ASM_NAMESPACE(poly_decompose_88_avx2_asm)
+MLD_ASM_FN_SYMBOL(poly_decompose_88_avx2_asm)
+
+        .cfi_startproc
+        movl $0x7f, %eax
+        vmovd %eax, %xmm10
+        vpbroadcastd %xmm10, %ymm10
+        movl $0x2c0b, %eax           # imm = 0x2C0B
+        vmovd %eax, %xmm11
+        vpbroadcastd %xmm11, %ymm11
+        movl $0x80, %eax
+        vmovd %eax, %xmm12
+        vpbroadcastd %xmm12, %ymm12
+        movl $0x7e6c00, %eax         # imm = 0x7E6C00
+        vmovd %eax, %xmm13
+        vpbroadcastd %xmm13, %ymm13
+        movl $0x2e800, %eax          # imm = 0x2E800
+        vmovd %eax, %xmm14
+        vpbroadcastd %xmm14, %ymm14
+        vmovdqa (%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, (%rdi)
+        vmovdqa %ymm2, (%rsi)
+        vmovdqa 0x20(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x20(%rdi)
+        vmovdqa %ymm2, 0x20(%rsi)
+        vmovdqa 0x40(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x40(%rdi)
+        vmovdqa %ymm2, 0x40(%rsi)
+        vmovdqa 0x60(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x60(%rdi)
+        vmovdqa %ymm2, 0x60(%rsi)
+        vmovdqa 0x80(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x80(%rdi)
+        vmovdqa %ymm2, 0x80(%rsi)
+        vmovdqa 0xa0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0xa0(%rdi)
+        vmovdqa %ymm2, 0xa0(%rsi)
+        vmovdqa 0xc0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0xc0(%rdi)
+        vmovdqa %ymm2, 0xc0(%rsi)
+        vmovdqa 0xe0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0xe0(%rdi)
+        vmovdqa %ymm2, 0xe0(%rsi)
+        vmovdqa 0x100(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x100(%rdi)
+        vmovdqa %ymm2, 0x100(%rsi)
+        vmovdqa 0x120(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x120(%rdi)
+        vmovdqa %ymm2, 0x120(%rsi)
+        vmovdqa 0x140(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x140(%rdi)
+        vmovdqa %ymm2, 0x140(%rsi)
+        vmovdqa 0x160(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x160(%rdi)
+        vmovdqa %ymm2, 0x160(%rsi)
+        vmovdqa 0x180(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x180(%rdi)
+        vmovdqa %ymm2, 0x180(%rsi)
+        vmovdqa 0x1a0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x1a0(%rdi)
+        vmovdqa %ymm2, 0x1a0(%rsi)
+        vmovdqa 0x1c0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x1c0(%rdi)
+        vmovdqa %ymm2, 0x1c0(%rsi)
+        vmovdqa 0x1e0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x1e0(%rdi)
+        vmovdqa %ymm2, 0x1e0(%rsi)
+        vmovdqa 0x200(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x200(%rdi)
+        vmovdqa %ymm2, 0x200(%rsi)
+        vmovdqa 0x220(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x220(%rdi)
+        vmovdqa %ymm2, 0x220(%rsi)
+        vmovdqa 0x240(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x240(%rdi)
+        vmovdqa %ymm2, 0x240(%rsi)
+        vmovdqa 0x260(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x260(%rdi)
+        vmovdqa %ymm2, 0x260(%rsi)
+        vmovdqa 0x280(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x280(%rdi)
+        vmovdqa %ymm2, 0x280(%rsi)
+        vmovdqa 0x2a0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x2a0(%rdi)
+        vmovdqa %ymm2, 0x2a0(%rsi)
+        vmovdqa 0x2c0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x2c0(%rdi)
+        vmovdqa %ymm2, 0x2c0(%rsi)
+        vmovdqa 0x2e0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x2e0(%rdi)
+        vmovdqa %ymm2, 0x2e0(%rsi)
+        vmovdqa 0x300(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x300(%rdi)
+        vmovdqa %ymm2, 0x300(%rsi)
+        vmovdqa 0x320(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x320(%rdi)
+        vmovdqa %ymm2, 0x320(%rsi)
+        vmovdqa 0x340(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x340(%rdi)
+        vmovdqa %ymm2, 0x340(%rsi)
+        vmovdqa 0x360(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x360(%rdi)
+        vmovdqa %ymm2, 0x360(%rsi)
+        vmovdqa 0x380(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x380(%rdi)
+        vmovdqa %ymm2, 0x380(%rsi)
+        vmovdqa 0x3a0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x3a0(%rdi)
+        vmovdqa %ymm2, 0x3a0(%rsi)
+        vmovdqa 0x3c0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x3c0(%rdi)
+        vmovdqa %ymm2, 0x3c0(%rsi)
+        vmovdqa 0x3e0(%rsi), %ymm0
+        vpaddd %ymm10, %ymm0, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm11, %ymm1, %ymm1
+        vpmulhrsw %ymm12, %ymm1, %ymm1
+        vpcmpgtd %ymm13, %ymm0, %ymm3
+        vpmulld %ymm14, %ymm1, %ymm2
+        vpsubd %ymm2, %ymm0, %ymm2
+        vpandn %ymm1, %ymm3, %ymm1
+        vpaddd %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm1, 0x3e0(%rdi)
+        vmovdqa %ymm2, 0x3e0(%rsi)
+        retq
+        .cfi_endproc
+
+MLD_ASM_FN_SIZE(poly_decompose_88_avx2_asm)
+
+
+#endif /* MLD_ARITH_BACKEND_X86_64_DEFAULT && !MLD_CONFIG_NO_SIGN_API && \
+          !MLD_CONFIG_MULTILEVEL_NO_SHARED && \
+          (MLD_CONFIG_MULTILEVEL_WITH_SHARED || MLD_CONFIG_PARAMETER_SET == 44) \
+        */
+
+#if defined(__ELF__)
+.section .note.GNU-stack,"",%progbits
+#endif
+
+#if defined(__ELF__)
+.section .note.GNU-stack,"",%progbits
+#endif

data/ext/mldsa_gh_native/vendor/mldsa-native/mldsa/src/native/x86_64/src/mldsa_poly_use_hint_32_avx2_asm.S

@@ -0,0 +1,123 @@
+/*
+ * Copyright (c) The mldsa-native project authors
+ * SPDX-License-Identifier: Apache-2.0 OR ISC OR MIT
+ */
+
+/* References
+ * ==========
+ *
+ * - [REF_AVX2]
+ *   CRYSTALS-Dilithium optimized AVX2 implementation
+ *   Bai, Ducas, Kiltz, Lepoint, Lyubashevsky, Schwabe, Seiler, Stehlé
+ *   https://github.com/pq-crystals/dilithium/tree/master/avx2
+ */
+
+/*
+ * This file is derived from the public domain
+ * AVX2 Dilithium implementation @[REF_AVX2].
+ */
+
+
+/*yaml
+  Name: poly_use_hint_32_avx2_asm
+  Description: x86_64 AVX2 hint application (alpha = (Q-1)/32).
+    Use the hint polynomial h to correct the high bits of the polynomial a,
+    in place. Variant for parameter sets ML-DSA-65 and ML-DSA-87
+    (GAMMA2 = (Q-1)/32).
+  Signature: void mld_poly_use_hint_32_avx2_asm(int32_t *a, const int32_t *h)
+  ABI:
+    Architecture: x86_64
+    CallingConvention: SysV
+    Features: [AVX2]
+    rdi:
+      type: buffer
+      size_bytes: 1024
+      permissions: read/write
+      c_parameter: int32_t *a
+      description: Input/output polynomial (256 x int32_t)
+    rsi:
+      type: buffer
+      size_bytes: 1024
+      permissions: read-only
+      c_parameter: const int32_t *h
+      description: Hint polynomial (256 x int32_t)
+*/
+
+#include "../../../common.h"
+
+#if defined(MLD_ARITH_BACKEND_X86_64_DEFAULT) &&   \
+    !defined(MLD_CONFIG_NO_VERIFY_API) &&          \
+    !defined(MLD_CONFIG_MULTILEVEL_NO_SHARED) &&   \
+    (defined(MLD_CONFIG_MULTILEVEL_WITH_SHARED) || \
+    (MLD_CONFIG_PARAMETER_SET == 65 || MLD_CONFIG_PARAMETER_SET == 87))
+
+
+/*
+ * WARNING: This file is auto-derived from the mldsa-native source file
+ *   dev/x86_64/src/mldsa_poly_use_hint_32_avx2_asm.S using scripts/simpasm. Do not modify it directly.
+ */
+
+.text
+.balign 4
+.global MLD_ASM_NAMESPACE(poly_use_hint_32_avx2_asm)
+MLD_ASM_FN_SYMBOL(poly_use_hint_32_avx2_asm)
+
+        .cfi_startproc
+        movl $0x7f, %ecx
+        movl $0x401, %r8d            # imm = 0x401
+        vmovd %r8d, %xmm8
+        vpbroadcastd %xmm8, %ymm8
+        xorl %eax, %eax
+        vpxor %xmm6, %xmm6, %xmm6
+        vmovd %ecx, %xmm5
+        movl $0x7be100, %ecx         # imm = 0x7BE100
+        movl $0x200, %r9d            # imm = 0x200
+        vmovd %r9d, %xmm7
+        vpbroadcastd %xmm7, %ymm7
+        vmovd %ecx, %xmm4
+        movl $0xf, %ecx
+        vpbroadcastd %xmm5, %ymm5
+        vmovd %ecx, %xmm3
+        vpbroadcastd %xmm4, %ymm4
+        vpbroadcastd %xmm3, %ymm3
+
+Lmld_poly_use_hint_32_avx2_asm_loop:
+        vmovdqa (%rdi), %ymm0
+        vmovdqa (%rsi), %ymm2
+        vpaddd %ymm0, %ymm5, %ymm1
+        vpsrld $0x7, %ymm1, %ymm1
+        vpmulhuw %ymm8, %ymm1, %ymm1
+        vpmulhrsw %ymm7, %ymm1, %ymm1
+        vpcmpgtd %ymm4, %ymm0, %ymm11
+        vpandn %ymm1, %ymm11, %ymm9
+        vpslld $0xa, %ymm1, %ymm10
+        vpsubd %ymm1, %ymm10, %ymm1
+        vpslld $0x9, %ymm1, %ymm1
+        vpsubd %ymm1, %ymm0, %ymm0
+        vpaddd %ymm11, %ymm0, %ymm0
+        vpcmpgtd %ymm6, %ymm0, %ymm0
+        vpandn %ymm2, %ymm0, %ymm0
+        vpslld $0x1, %ymm0, %ymm0
+        vpsubd %ymm0, %ymm2, %ymm2
+        vpaddd %ymm9, %ymm2, %ymm2
+        vpand %ymm3, %ymm2, %ymm2
+        vmovdqa %ymm2, (%rdi)
+        addq $0x20, %rdi
+        addq $0x20, %rsi
+        addq $0x20, %rax
+        cmpq $0x400, %rax            # imm = 0x400
+        jne Lmld_poly_use_hint_32_avx2_asm_loop
+        retq
+        .cfi_endproc
+
+MLD_ASM_FN_SIZE(poly_use_hint_32_avx2_asm)
+
+
+#endif /* MLD_ARITH_BACKEND_X86_64_DEFAULT && !MLD_CONFIG_NO_VERIFY_API && \
+          !MLD_CONFIG_MULTILEVEL_NO_SHARED && \
+          (MLD_CONFIG_MULTILEVEL_WITH_SHARED || MLD_CONFIG_PARAMETER_SET == 65 \
+          || MLD_CONFIG_PARAMETER_SET == 87) */
+
+#if defined(__ELF__)
+.section .note.GNU-stack,"",%progbits
+#endif