Add ECP_NISTZ256 by Shay Gueron, Intel Corp.
[openssl.git] / crypto / ec / asm / ecp_nistz256-avx2.pl
diff --git a/crypto/ec/asm/ecp_nistz256-avx2.pl b/crypto/ec/asm/ecp_nistz256-avx2.pl
new file mode 100755 (executable)
index 0000000..4c220aa
--- /dev/null
@@ -0,0 +1,2093 @@
+#!/usr/bin/env perl
+
+##############################################################################
+#                                                                            #
+# Copyright 2014 Intel Corporation                                           #
+#                                                                            #
+# Licensed under the Apache License, Version 2.0 (the "License");            #
+# you may not use this file except in compliance with the License.           #
+# You may obtain a copy of the License at                                    #
+#                                                                            #
+#    http://www.apache.org/licenses/LICENSE-2.0                              #
+#                                                                            #
+# Unless required by applicable law or agreed to in writing, software        #
+# distributed under the License is distributed on an "AS IS" BASIS,          #
+# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.   #
+# See the License for the specific language governing permissions and        #
+# limitations under the License.                                             #
+#                                                                            #
+##############################################################################
+#                                                                            #
+#  Developers and authors:                                                   #
+#  Shay Gueron (1, 2), and Vlad Krasnov (1)                                  #
+#  (1) Intel Corporation, Israel Development Center                          #
+#  (2) University of Haifa                                                   #
+#  Reference:                                                                #
+#  S.Gueron and V.Krasnov, "Fast Prime Field Elliptic Curve Cryptography with#
+#                           256 Bit Primes"                                  #
+#                                                                            #
+##############################################################################
+
+$flavour = shift;
+$output  = shift;
+if ($flavour =~ /\./) { $output = $flavour; undef $flavour; }
+
+$win64=0; $win64=1 if ($flavour =~ /[nm]asm|mingw64/ || $output =~ /\.asm$/);
+
+$0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
+( $xlate="${dir}x86_64-xlate.pl" and -f $xlate ) or
+( $xlate="${dir}../../perlasm/x86_64-xlate.pl" and -f $xlate) or
+die "can't locate x86_64-xlate.pl";
+
+open OUT,"| \"$^X\" $xlate $flavour $output";
+*STDOUT=*OUT;
+
+if (`$ENV{CC} -Wa,-v -c -o /dev/null -x assembler /dev/null 2>&1`
+               =~ /GNU assembler version ([2-9]\.[0-9]+)/) {
+       $avx = ($1>=2.19) + ($1>=2.22);
+       $addx = ($1>=2.23);
+}
+
+if (!$addx && $win64 && ($flavour =~ /nasm/ || $ENV{ASM} =~ /nasm/) &&
+           `nasm -v 2>&1` =~ /NASM version ([2-9]\.[0-9]+)/) {
+       $avx = ($1>=2.09) + ($1>=2.10);
+       $addx = ($1>=2.10);
+}
+
+if (!$addx && $win64 && ($flavour =~ /masm/ || $ENV{ASM} =~ /ml64/) &&
+           `ml64 2>&1` =~ /Version ([0-9]+)\./) {
+       $avx = ($1>=10) + ($1>=11);
+       $addx = ($1>=12);
+}
+
+if (!$addx && `$ENV{CC} -v 2>&1` =~ /(^clang version|based on LLVM) ([3-9])\.([0-9]+)/) {
+       my $ver = $2 + $3/100.0;        # 3.1->3.01, 3.10->3.10
+       $avx = ($ver>=3.0) + ($ver>=3.01);
+       $addx = ($ver>=3.03);
+}
+
+if ($avx>=2) {{
+$digit_size = "\$29";
+$n_digits = "\$9";
+
+$code.=<<___;
+.text
+
+.align 64
+.LAVX2_AND_MASK:
+.LAVX2_POLY:
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x000001ff, 0x000001ff, 0x000001ff, 0x000001ff
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x00040000, 0x00040000, 0x00040000, 0x00040000
+.quad 0x1fe00000, 0x1fe00000, 0x1fe00000, 0x1fe00000
+.quad 0x00ffffff, 0x00ffffff, 0x00ffffff, 0x00ffffff
+
+.LAVX2_POLY_x2:
+.quad 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC
+.quad 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC
+.quad 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC
+.quad 0x400007FC, 0x400007FC, 0x400007FC, 0x400007FC
+.quad 0x3FFFFFFE, 0x3FFFFFFE, 0x3FFFFFFE, 0x3FFFFFFE
+.quad 0x3FFFFFFE, 0x3FFFFFFE, 0x3FFFFFFE, 0x3FFFFFFE
+.quad 0x400FFFFE, 0x400FFFFE, 0x400FFFFE, 0x400FFFFE
+.quad 0x7F7FFFFE, 0x7F7FFFFE, 0x7F7FFFFE, 0x7F7FFFFE
+.quad 0x03FFFFFC, 0x03FFFFFC, 0x03FFFFFC, 0x03FFFFFC
+
+.LAVX2_POLY_x8:
+.quad 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8
+.quad 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8
+.quad 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8, 0xFFFFFFF8
+.quad 0x80000FF8, 0x80000FF8, 0x80000FF8, 0x80000FF8
+.quad 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC
+.quad 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC, 0x7FFFFFFC
+.quad 0x801FFFFC, 0x801FFFFC, 0x801FFFFC, 0x801FFFFC
+.quad 0xFEFFFFFC, 0xFEFFFFFC, 0xFEFFFFFC, 0xFEFFFFFC
+.quad 0x07FFFFF8, 0x07FFFFF8, 0x07FFFFF8, 0x07FFFFF8
+
+.LONE:
+.quad 0x00000020, 0x00000020, 0x00000020, 0x00000020
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x1fffc000, 0x1fffc000, 0x1fffc000, 0x1fffc000
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1f7fffff, 0x1f7fffff, 0x1f7fffff, 0x1f7fffff
+.quad 0x03ffffff, 0x03ffffff, 0x03ffffff, 0x03ffffff
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+
+# RR = 2^266 mod p in AVX2 format, to transform from the native OpenSSL
+# Montgomery form (*2^256) to our format (*2^261)
+
+.LTO_MONT_AVX2:
+.quad 0x00000400, 0x00000400, 0x00000400, 0x00000400
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x1ff80000, 0x1ff80000, 0x1ff80000, 0x1ff80000
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x0fffffff, 0x0fffffff, 0x0fffffff, 0x0fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x00000003, 0x00000003, 0x00000003, 0x00000003
+
+.LFROM_MONT_AVX2:
+.quad 0x00000001, 0x00000001, 0x00000001, 0x00000001
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+.quad 0x1ffffe00, 0x1ffffe00, 0x1ffffe00, 0x1ffffe00
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1fffffff, 0x1fffffff, 0x1fffffff, 0x1fffffff
+.quad 0x1ffbffff, 0x1ffbffff, 0x1ffbffff, 0x1ffbffff
+.quad 0x001fffff, 0x001fffff, 0x001fffff, 0x001fffff
+.quad 0x00000000, 0x00000000, 0x00000000, 0x00000000
+
+.LIntOne:
+.long 1,1,1,1,1,1,1,1
+___
+
+{
+# This function recieves a pointer to an array of four affine points
+# (X, Y, <1>) and rearanges the data for AVX2 execution, while
+# converting it to 2^29 radix redundant form
+
+my ($X0,$X1,$X2,$X3, $Y0,$Y1,$Y2,$Y3,
+    $T0,$T1,$T2,$T3, $T4,$T5,$T6,$T7)=map("%ymm$_",(0..15));
+
+$code.=<<___;
+.globl ecp_nistz256_avx2_transpose_convert
+.type  ecp_nistz256_avx2_transpose_convert,\@function,2
+.align 64
+ecp_nistz256_avx2_transpose_convert:
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -8-16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       # Load the data
+       vmovdqa         32*0(%rsi), $X0
+       lea             112(%rsi), %rax         # size optimization
+       vmovdqa         32*1(%rsi), $Y0
+       lea             .LAVX2_AND_MASK(%rip), %rdx
+       vmovdqa         32*2(%rsi), $X1
+       vmovdqa         32*3(%rsi), $Y1
+       vmovdqa         32*4-112(%rax), $X2
+       vmovdqa         32*5-112(%rax), $Y2
+       vmovdqa         32*6-112(%rax), $X3
+       vmovdqa         32*7-112(%rax), $Y3
+
+       # Transpose X and Y independently
+       vpunpcklqdq     $X1, $X0, $T0           # T0 = [B2 A2 B0 A0]
+       vpunpcklqdq     $X3, $X2, $T1           # T1 = [D2 C2 D0 C0]
+       vpunpckhqdq     $X1, $X0, $T2           # T2 = [B3 A3 B1 A1]
+       vpunpckhqdq     $X3, $X2, $T3           # T3 = [D3 C3 D1 C1]
+
+       vpunpcklqdq     $Y1, $Y0, $T4
+       vpunpcklqdq     $Y3, $Y2, $T5
+       vpunpckhqdq     $Y1, $Y0, $T6
+       vpunpckhqdq     $Y3, $Y2, $T7
+
+       vperm2i128      \$0x20, $T1, $T0, $X0   # X0 = [D0 C0 B0 A0]
+       vperm2i128      \$0x20, $T3, $T2, $X1   # X1 = [D1 C1 B1 A1]
+       vperm2i128      \$0x31, $T1, $T0, $X2   # X2 = [D2 C2 B2 A2]
+       vperm2i128      \$0x31, $T3, $T2, $X3   # X3 = [D3 C3 B3 A3]
+
+       vperm2i128      \$0x20, $T5, $T4, $Y0
+       vperm2i128      \$0x20, $T7, $T6, $Y1
+       vperm2i128      \$0x31, $T5, $T4, $Y2
+       vperm2i128      \$0x31, $T7, $T6, $Y3
+       vmovdqa         (%rdx), $T7
+
+       vpand           (%rdx), $X0, $T0        # out[0] = in[0] & mask;
+       vpsrlq          \$29, $X0, $X0
+       vpand           $T7, $X0, $T1           # out[1] = (in[0] >> shift) & mask;
+       vpsrlq          \$29, $X0, $X0
+       vpsllq          \$6, $X1, $T2
+       vpxor           $X0, $T2, $T2
+       vpand           $T7, $T2, $T2           # out[2] = ((in[0] >> (shift*2)) ^ (in[1] << (64-shift*2))) & mask;
+       vpsrlq          \$23, $X1, $X1
+       vpand           $T7, $X1, $T3           # out[3] = (in[1] >> ((shift*3)%64)) & mask;
+       vpsrlq          \$29, $X1, $X1
+       vpsllq          \$12, $X2, $T4
+       vpxor           $X1, $T4, $T4
+       vpand           $T7, $T4, $T4           # out[4] = ((in[1] >> ((shift*4)%64)) ^ (in[2] << (64*2-shift*4))) & mask;
+       vpsrlq          \$17, $X2, $X2
+       vpand           $T7, $X2, $T5           # out[5] = (in[2] >> ((shift*5)%64)) & mask;
+       vpsrlq          \$29, $X2, $X2
+       vpsllq          \$18, $X3, $T6
+       vpxor           $X2, $T6, $T6
+       vpand           $T7, $T6, $T6           # out[6] = ((in[2] >> ((shift*6)%64)) ^ (in[3] << (64*3-shift*6))) & mask;
+       vpsrlq          \$11, $X3, $X3
+        vmovdqa        $T0, 32*0(%rdi)
+        lea            112(%rdi), %rax         # size optimization
+       vpand           $T7, $X3, $T0           # out[7] = (in[3] >> ((shift*7)%64)) & mask;
+       vpsrlq          \$29, $X3, $X3          # out[8] = (in[3] >> ((shift*8)%64)) & mask;
+
+       vmovdqa         $T1, 32*1(%rdi)
+       vmovdqa         $T2, 32*2(%rdi)
+       vmovdqa         $T3, 32*3(%rdi)
+       vmovdqa         $T4, 32*4-112(%rax)
+       vmovdqa         $T5, 32*5-112(%rax)
+       vmovdqa         $T6, 32*6-112(%rax)
+       vmovdqa         $T0, 32*7-112(%rax)
+       vmovdqa         $X3, 32*8-112(%rax)
+       lea             448(%rdi), %rax         # size optimization
+
+       vpand           $T7, $Y0, $T0           # out[0] = in[0] & mask;
+       vpsrlq          \$29, $Y0, $Y0
+       vpand           $T7, $Y0, $T1           # out[1] = (in[0] >> shift) & mask;
+       vpsrlq          \$29, $Y0, $Y0
+       vpsllq          \$6, $Y1, $T2
+       vpxor           $Y0, $T2, $T2
+       vpand           $T7, $T2, $T2           # out[2] = ((in[0] >> (shift*2)) ^ (in[1] << (64-shift*2))) & mask;
+       vpsrlq          \$23, $Y1, $Y1
+       vpand           $T7, $Y1, $T3           # out[3] = (in[1] >> ((shift*3)%64)) & mask;
+       vpsrlq          \$29, $Y1, $Y1
+       vpsllq          \$12, $Y2, $T4
+       vpxor           $Y1, $T4, $T4
+       vpand           $T7, $T4, $T4           # out[4] = ((in[1] >> ((shift*4)%64)) ^ (in[2] << (64*2-shift*4))) & mask;
+       vpsrlq          \$17, $Y2, $Y2
+       vpand           $T7, $Y2, $T5           # out[5] = (in[2] >> ((shift*5)%64)) & mask;
+       vpsrlq          \$29, $Y2, $Y2
+       vpsllq          \$18, $Y3, $T6
+       vpxor           $Y2, $T6, $T6
+       vpand           $T7, $T6, $T6           # out[6] = ((in[2] >> ((shift*6)%64)) ^ (in[3] << (64*3-shift*6))) & mask;
+       vpsrlq          \$11, $Y3, $Y3
+        vmovdqa        $T0, 32*9-448(%rax)
+       vpand           $T7, $Y3, $T0           # out[7] = (in[3] >> ((shift*7)%64)) & mask;
+       vpsrlq          \$29, $Y3, $Y3          # out[8] = (in[3] >> ((shift*8)%64)) & mask;
+
+       vmovdqa         $T1, 32*10-448(%rax)
+       vmovdqa         $T2, 32*11-448(%rax)
+       vmovdqa         $T3, 32*12-448(%rax)
+       vmovdqa         $T4, 32*13-448(%rax)
+       vmovdqa         $T5, 32*14-448(%rax)
+       vmovdqa         $T6, 32*15-448(%rax)
+       vmovdqa         $T0, 32*16-448(%rax)
+       vmovdqa         $Y3, 32*17-448(%rax)
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  16*0(%rsp), %xmm6
+       movaps  16*1(%rsp), %xmm7
+       movaps  16*2(%rsp), %xmm8
+       movaps  16*3(%rsp), %xmm9
+       movaps  16*4(%rsp), %xmm10
+       movaps  16*5(%rsp), %xmm11
+       movaps  16*6(%rsp), %xmm12
+       movaps  16*7(%rsp), %xmm13
+       movaps  16*8(%rsp), %xmm14
+       movaps  16*9(%rsp), %xmm15
+       lea     8+16*10(%rsp), %rsp
+___
+$code.=<<___;
+       ret
+.size  ecp_nistz256_avx2_transpose_convert,.-ecp_nistz256_avx2_transpose_convert
+___
+}
+{
+################################################################################
+# This function recieves a pointer to an array of four AVX2 formatted points
+# (X, Y, Z) convert the data to normal representation, and rearanges the data
+
+my ($D0,$D1,$D2,$D3, $D4,$D5,$D6,$D7, $D8)=map("%ymm$_",(0..8));
+my ($T0,$T1,$T2,$T3, $T4,$T5,$T6)=map("%ymm$_",(9..15));
+
+$code.=<<___;
+
+.globl ecp_nistz256_avx2_convert_transpose_back
+.type  ecp_nistz256_avx2_convert_transpose_back,\@function,2
+.align 32
+ecp_nistz256_avx2_convert_transpose_back:
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -8-16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       mov     \$3, %ecx
+
+.Lconv_loop:
+       vmovdqa         32*0(%rsi), $D0
+       lea             160(%rsi), %rax         # size optimization
+       vmovdqa         32*1(%rsi), $D1
+       vmovdqa         32*2(%rsi), $D2
+       vmovdqa         32*3(%rsi), $D3
+       vmovdqa         32*4-160(%rax), $D4
+       vmovdqa         32*5-160(%rax), $D5
+       vmovdqa         32*6-160(%rax), $D6
+       vmovdqa         32*7-160(%rax), $D7
+       vmovdqa         32*8-160(%rax), $D8
+
+       vpsllq          \$29, $D1, $D1
+       vpsllq          \$58, $D2, $T0
+       vpaddq          $D1, $D0, $D0
+       vpaddq          $T0, $D0, $D0           # out[0] = (in[0]) ^ (in[1] << shift*1) ^ (in[2] << shift*2);
+
+       vpsrlq          \$6, $D2, $D2
+       vpsllq          \$23, $D3, $D3
+       vpsllq          \$52, $D4, $T1
+       vpaddq          $D2, $D3, $D3
+       vpaddq          $D3, $T1, $D1           # out[1] = (in[2] >> (64*1-shift*2)) ^ (in[3] << shift*3%64) ^ (in[4] << shift*4%64);
+
+       vpsrlq          \$12, $D4, $D4
+       vpsllq          \$17, $D5, $D5
+       vpsllq          \$46, $D6, $T2
+       vpaddq          $D4, $D5, $D5
+       vpaddq          $D5, $T2, $D2           # out[2] = (in[4] >> (64*2-shift*4)) ^ (in[5] << shift*5%64) ^ (in[6] << shift*6%64);
+
+       vpsrlq          \$18, $D6, $D6
+       vpsllq          \$11, $D7, $D7
+       vpsllq          \$40, $D8, $T3
+       vpaddq          $D6, $D7, $D7
+       vpaddq          $D7, $T3, $D3           # out[3] = (in[6] >> (64*3-shift*6)) ^ (in[7] << shift*7%64) ^ (in[8] << shift*8%64);
+
+       vpunpcklqdq     $D1, $D0, $T0           # T0 = [B2 A2 B0 A0]
+       vpunpcklqdq     $D3, $D2, $T1           # T1 = [D2 C2 D0 C0]
+       vpunpckhqdq     $D1, $D0, $T2           # T2 = [B3 A3 B1 A1]
+       vpunpckhqdq     $D3, $D2, $T3           # T3 = [D3 C3 D1 C1]
+
+       vperm2i128      \$0x20, $T1, $T0, $D0   # X0 = [D0 C0 B0 A0]
+       vperm2i128      \$0x20, $T3, $T2, $D1   # X1 = [D1 C1 B1 A1]
+       vperm2i128      \$0x31, $T1, $T0, $D2   # X2 = [D2 C2 B2 A2]
+       vperm2i128      \$0x31, $T3, $T2, $D3   # X3 = [D3 C3 B3 A3]
+
+       vmovdqa         $D0, 32*0(%rdi)
+       vmovdqa         $D1, 32*3(%rdi)
+       vmovdqa         $D2, 32*6(%rdi)
+       vmovdqa         $D3, 32*9(%rdi)
+
+       lea             32*9(%rsi), %rsi
+       lea             32*1(%rdi), %rdi
+
+       dec     %ecx
+       jnz     .Lconv_loop
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  16*0(%rsp), %xmm6
+       movaps  16*1(%rsp), %xmm7
+       movaps  16*2(%rsp), %xmm8
+       movaps  16*3(%rsp), %xmm9
+       movaps  16*4(%rsp), %xmm10
+       movaps  16*5(%rsp), %xmm11
+       movaps  16*6(%rsp), %xmm12
+       movaps  16*7(%rsp), %xmm13
+       movaps  16*8(%rsp), %xmm14
+       movaps  16*9(%rsp), %xmm15
+       lea     8+16*10(%rsp), %rsp
+___
+$code.=<<___;
+       ret
+.size  ecp_nistz256_avx2_convert_transpose_back,.-ecp_nistz256_avx2_convert_transpose_back
+___
+}
+{
+my ($r_ptr,$a_ptr,$b_ptr,$itr)=("%rdi","%rsi","%rdx","%ecx");
+my ($ACC0,$ACC1,$ACC2,$ACC3,$ACC4,$ACC5,$ACC6,$ACC7,$ACC8)=map("%ymm$_",(0..8));
+my ($B,$Y,$T0,$AND_MASK,$OVERFLOW)=map("%ymm$_",(9..13));
+
+sub NORMALIZE {
+my $ret=<<___;
+       vpsrlq          $digit_size, $ACC0, $T0
+       vpand           $AND_MASK, $ACC0, $ACC0
+       vpaddq          $T0, $ACC1, $ACC1
+
+       vpsrlq          $digit_size, $ACC1, $T0
+       vpand           $AND_MASK, $ACC1, $ACC1
+       vpaddq          $T0, $ACC2, $ACC2
+
+       vpsrlq          $digit_size, $ACC2, $T0
+       vpand           $AND_MASK, $ACC2, $ACC2
+       vpaddq          $T0, $ACC3, $ACC3
+
+       vpsrlq          $digit_size, $ACC3, $T0
+       vpand           $AND_MASK, $ACC3, $ACC3
+       vpaddq          $T0, $ACC4, $ACC4
+
+       vpsrlq          $digit_size, $ACC4, $T0
+       vpand           $AND_MASK, $ACC4, $ACC4
+       vpaddq          $T0, $ACC5, $ACC5
+
+       vpsrlq          $digit_size, $ACC5, $T0
+       vpand           $AND_MASK, $ACC5, $ACC5
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpsrlq          $digit_size, $ACC6, $T0
+       vpand           $AND_MASK, $ACC6, $ACC6
+       vpaddq          $T0, $ACC7, $ACC7
+
+       vpsrlq          $digit_size, $ACC7, $T0
+       vpand           $AND_MASK, $ACC7, $ACC7
+       vpaddq          $T0, $ACC8, $ACC8
+       #vpand          $AND_MASK, $ACC8, $ACC8
+___
+    $ret;
+}
+
+sub STORE {
+my $ret=<<___;
+       vmovdqa         $ACC0, 32*0(%rdi)
+       lea             160(%rdi), %rax         # size optimization
+       vmovdqa         $ACC1, 32*1(%rdi)
+       vmovdqa         $ACC2, 32*2(%rdi)
+       vmovdqa         $ACC3, 32*3(%rdi)
+       vmovdqa         $ACC4, 32*4-160(%rax)
+       vmovdqa         $ACC5, 32*5-160(%rax)
+       vmovdqa         $ACC6, 32*6-160(%rax)
+       vmovdqa         $ACC7, 32*7-160(%rax)
+       vmovdqa         $ACC8, 32*8-160(%rax)
+___
+    $ret;
+}
+
+$code.=<<___;
+.type  avx2_normalize,\@abi-omnipotent
+.align 32
+avx2_normalize:
+       vpsrlq          $digit_size, $ACC0, $T0
+       vpand           $AND_MASK, $ACC0, $ACC0
+       vpaddq          $T0, $ACC1, $ACC1
+
+       vpsrlq          $digit_size, $ACC1, $T0
+       vpand           $AND_MASK, $ACC1, $ACC1
+       vpaddq          $T0, $ACC2, $ACC2
+
+       vpsrlq          $digit_size, $ACC2, $T0
+       vpand           $AND_MASK, $ACC2, $ACC2
+       vpaddq          $T0, $ACC3, $ACC3
+
+       vpsrlq          $digit_size, $ACC3, $T0
+       vpand           $AND_MASK, $ACC3, $ACC3
+       vpaddq          $T0, $ACC4, $ACC4
+
+       vpsrlq          $digit_size, $ACC4, $T0
+       vpand           $AND_MASK, $ACC4, $ACC4
+       vpaddq          $T0, $ACC5, $ACC5
+
+       vpsrlq          $digit_size, $ACC5, $T0
+       vpand           $AND_MASK, $ACC5, $ACC5
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpsrlq          $digit_size, $ACC6, $T0
+       vpand           $AND_MASK, $ACC6, $ACC6
+       vpaddq          $T0, $ACC7, $ACC7
+
+       vpsrlq          $digit_size, $ACC7, $T0
+       vpand           $AND_MASK, $ACC7, $ACC7
+       vpaddq          $T0, $ACC8, $ACC8
+       #vpand          $AND_MASK, $ACC8, $ACC8
+
+       ret
+.size  avx2_normalize,.-avx2_normalize
+
+.type  avx2_normalize_n_store,\@abi-omnipotent
+.align 32
+avx2_normalize_n_store:
+       vpsrlq          $digit_size, $ACC0, $T0
+       vpand           $AND_MASK, $ACC0, $ACC0
+       vpaddq          $T0, $ACC1, $ACC1
+
+       vpsrlq          $digit_size, $ACC1, $T0
+       vpand           $AND_MASK, $ACC1, $ACC1
+        vmovdqa        $ACC0, 32*0(%rdi)
+        lea            160(%rdi), %rax         # size optimization
+       vpaddq          $T0, $ACC2, $ACC2
+
+       vpsrlq          $digit_size, $ACC2, $T0
+       vpand           $AND_MASK, $ACC2, $ACC2
+        vmovdqa        $ACC1, 32*1(%rdi)
+       vpaddq          $T0, $ACC3, $ACC3
+
+       vpsrlq          $digit_size, $ACC3, $T0
+       vpand           $AND_MASK, $ACC3, $ACC3
+        vmovdqa        $ACC2, 32*2(%rdi)
+       vpaddq          $T0, $ACC4, $ACC4
+
+       vpsrlq          $digit_size, $ACC4, $T0
+       vpand           $AND_MASK, $ACC4, $ACC4
+        vmovdqa        $ACC3, 32*3(%rdi)
+       vpaddq          $T0, $ACC5, $ACC5
+
+       vpsrlq          $digit_size, $ACC5, $T0
+       vpand           $AND_MASK, $ACC5, $ACC5
+        vmovdqa        $ACC4, 32*4-160(%rax)
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpsrlq          $digit_size, $ACC6, $T0
+       vpand           $AND_MASK, $ACC6, $ACC6
+        vmovdqa        $ACC5, 32*5-160(%rax)
+       vpaddq          $T0, $ACC7, $ACC7
+
+       vpsrlq          $digit_size, $ACC7, $T0
+       vpand           $AND_MASK, $ACC7, $ACC7
+        vmovdqa        $ACC6, 32*6-160(%rax)
+       vpaddq          $T0, $ACC8, $ACC8
+       #vpand          $AND_MASK, $ACC8, $ACC8
+        vmovdqa        $ACC7, 32*7-160(%rax)
+        vmovdqa        $ACC8, 32*8-160(%rax)
+
+       ret
+.size  avx2_normalize_n_store,.-avx2_normalize_n_store
+
+################################################################################
+# void avx2_mul_x4(void* RESULTx4, void *Ax4, void *Bx4);
+.type  avx2_mul_x4,\@abi-omnipotent
+.align 32
+avx2_mul_x4:
+       lea     .LAVX2_POLY(%rip), %rax
+
+       vpxor   $ACC0, $ACC0, $ACC0
+       vpxor   $ACC1, $ACC1, $ACC1
+       vpxor   $ACC2, $ACC2, $ACC2
+       vpxor   $ACC3, $ACC3, $ACC3
+       vpxor   $ACC4, $ACC4, $ACC4
+       vpxor   $ACC5, $ACC5, $ACC5
+       vpxor   $ACC6, $ACC6, $ACC6
+       vpxor   $ACC7, $ACC7, $ACC7
+
+       vmovdqa 32*7(%rax), %ymm14
+       vmovdqa 32*8(%rax), %ymm15
+
+       mov     $n_digits, $itr
+       lea     -512($a_ptr), $a_ptr    # strategic bias to control u-op density
+       jmp     .Lavx2_mul_x4_loop
+
+.align 32
+.Lavx2_mul_x4_loop:
+       vmovdqa         32*0($b_ptr), $B
+       lea             32*1($b_ptr), $b_ptr
+
+       vpmuludq        32*0+512($a_ptr), $B, $T0
+       vpmuludq        32*1+512($a_ptr), $B, $OVERFLOW # borrow $OVERFLOW
+       vpaddq          $T0, $ACC0, $ACC0
+       vpmuludq        32*2+512($a_ptr), $B, $T0
+       vpaddq          $OVERFLOW, $ACC1, $ACC1
+        vpand          $AND_MASK, $ACC0, $Y
+       vpmuludq        32*3+512($a_ptr), $B, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC2
+       vpmuludq        32*4+512($a_ptr), $B, $T0
+       vpaddq          $OVERFLOW, $ACC3, $ACC3
+       vpmuludq        32*5+512($a_ptr), $B, $OVERFLOW
+       vpaddq          $T0, $ACC4, $ACC4
+       vpmuludq        32*6+512($a_ptr), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*7+512($a_ptr), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       # Skip some multiplications, optimizing for the constant poly
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*8+512($a_ptr), $B, $ACC8
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       .byte           0x67
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $OVERFLOW
+       .byte           0x67
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $T0
+       vpaddq          $OVERFLOW, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC7, $ACC6
+       vpaddq          $OVERFLOW, $ACC8, $ACC7
+
+       dec     $itr
+       jnz     .Lavx2_mul_x4_loop
+
+       vpxor   $ACC8, $ACC8, $ACC8
+
+       ret
+.size  avx2_mul_x4,.-avx2_mul_x4
+
+# Function optimized for the constant 1
+################################################################################
+# void avx2_mul_by1_x4(void* RESULTx4, void *Ax4);
+.type  avx2_mul_by1_x4,\@abi-omnipotent
+.align 32
+avx2_mul_by1_x4:
+       lea     .LAVX2_POLY(%rip), %rax
+
+       vpxor   $ACC0, $ACC0, $ACC0
+       vpxor   $ACC1, $ACC1, $ACC1
+       vpxor   $ACC2, $ACC2, $ACC2
+       vpxor   $ACC3, $ACC3, $ACC3
+       vpxor   $ACC4, $ACC4, $ACC4
+       vpxor   $ACC5, $ACC5, $ACC5
+       vpxor   $ACC6, $ACC6, $ACC6
+       vpxor   $ACC7, $ACC7, $ACC7
+       vpxor   $ACC8, $ACC8, $ACC8
+
+       vmovdqa 32*3+.LONE(%rip), %ymm14
+       vmovdqa 32*7+.LONE(%rip), %ymm15
+
+       mov     $n_digits, $itr
+       jmp     .Lavx2_mul_by1_x4_loop
+
+.align 32
+.Lavx2_mul_by1_x4_loop:
+       vmovdqa         32*0($a_ptr), $B
+       .byte           0x48,0x8d,0xb6,0x20,0,0,0       # lea   32*1($a_ptr), $a_ptr
+
+       vpsllq          \$5, $B, $OVERFLOW
+       vpmuludq        %ymm14, $B, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC3
+       .byte           0x67
+       vpmuludq        $AND_MASK, $B, $T0
+       vpand           $AND_MASK, $ACC0, $Y
+       vpaddq          $T0, $ACC4, $ACC4
+       vpaddq          $T0, $ACC5, $ACC5
+       vpaddq          $T0, $ACC6, $ACC6
+       vpsllq          \$23, $B, $T0
+
+       .byte           0x67,0x67
+       vpmuludq        %ymm15, $B, $OVERFLOW
+       vpsubq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+       vpaddq          $OVERFLOW, $ACC7, $ACC7
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       .byte           0x67,0x67
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $OVERFLOW
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        32*7(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC6, $ACC5
+       vpaddq          $T0, $ACC7, $ACC6
+       vpmuludq        32*8(%rax), $Y, $ACC7
+
+       dec     $itr
+       jnz     .Lavx2_mul_by1_x4_loop
+
+       ret
+.size  avx2_mul_by1_x4,.-avx2_mul_by1_x4
+
+################################################################################
+# void avx2_sqr_x4(void* RESULTx4, void *Ax4, void *Bx4);
+.type  avx2_sqr_x4,\@abi-omnipotent
+.align 32
+avx2_sqr_x4:
+       lea             .LAVX2_POLY(%rip), %rax
+
+       vmovdqa         32*7(%rax), %ymm14
+       vmovdqa         32*8(%rax), %ymm15
+
+       vmovdqa         32*0($a_ptr), $B
+       vmovdqa         32*1($a_ptr), $ACC1
+       vmovdqa         32*2($a_ptr), $ACC2
+       vmovdqa         32*3($a_ptr), $ACC3
+       vmovdqa         32*4($a_ptr), $ACC4
+       vmovdqa         32*5($a_ptr), $ACC5
+       vmovdqa         32*6($a_ptr), $ACC6
+       vmovdqa         32*7($a_ptr), $ACC7
+       vpaddq          $ACC1, $ACC1, $ACC1     # 2*$ACC0..7
+       vmovdqa         32*8($a_ptr), $ACC8
+       vpaddq          $ACC2, $ACC2, $ACC2
+       vmovdqa         $ACC1, 32*0(%rcx)
+       vpaddq          $ACC3, $ACC3, $ACC3
+       vmovdqa         $ACC2, 32*1(%rcx)
+       vpaddq          $ACC4, $ACC4, $ACC4
+       vmovdqa         $ACC3, 32*2(%rcx)
+       vpaddq          $ACC5, $ACC5, $ACC5
+       vmovdqa         $ACC4, 32*3(%rcx)
+       vpaddq          $ACC6, $ACC6, $ACC6
+       vmovdqa         $ACC5, 32*4(%rcx)
+       vpaddq          $ACC7, $ACC7, $ACC7
+       vmovdqa         $ACC6, 32*5(%rcx)
+       vpaddq          $ACC8, $ACC8, $ACC8
+       vmovdqa         $ACC7, 32*6(%rcx)
+       vmovdqa         $ACC8, 32*7(%rcx)
+
+       #itr            1
+       vpmuludq        $B, $B, $ACC0
+       vpmuludq        $B, $ACC1, $ACC1
+        vpand          $AND_MASK, $ACC0, $Y
+       vpmuludq        $B, $ACC2, $ACC2
+       vpmuludq        $B, $ACC3, $ACC3
+       vpmuludq        $B, $ACC4, $ACC4
+       vpmuludq        $B, $ACC5, $ACC5
+       vpmuludq        $B, $ACC6, $ACC6
+        vpmuludq       $AND_MASK, $Y, $T0
+       vpmuludq        $B, $ACC7, $ACC7
+       vpmuludq        $B, $ACC8, $ACC8
+        vmovdqa        32*1($a_ptr), $B
+
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            2
+       vpmuludq        $B, $B, $OVERFLOW
+        vpand          $AND_MASK, $ACC0, $Y
+       vpmuludq        32*1(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC1, $ACC1
+       vpmuludq        32*2(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC2
+       vpmuludq        32*3(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC3, $ACC3
+       vpmuludq        32*4(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC4, $ACC4
+       vpmuludq        32*5(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*2($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            3
+       vpmuludq        $B, $B, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpmuludq        32*2(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC2
+       vpmuludq        32*3(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC3, $ACC3
+       vpmuludq        32*4(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC4, $ACC4
+       vpmuludq        32*5(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*3($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            4
+       vpmuludq        $B, $B, $OVERFLOW
+       vpmuludq        32*3(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC3, $ACC3
+       vpmuludq        32*4(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC4, $ACC4
+       vpmuludq        32*5(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*4($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            5
+       vpmuludq        $B, $B, $T0
+       vpmuludq        32*4(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC4, $ACC4
+       vpmuludq        32*5(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*5($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3+.LAVX2_POLY(%rip), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            6
+       vpmuludq        $B, $B, $OVERFLOW
+       vpmuludq        32*5(%rcx), $B, $T0
+       vpaddq          $OVERFLOW, $ACC5, $ACC5
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*6($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            7
+       vpmuludq        $B, $B, $T0
+       vpmuludq        32*6(%rcx), $B, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC6
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*7($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            8
+       vpmuludq        $B, $B, $OVERFLOW
+
+       vpmuludq        $AND_MASK, $Y, $T0
+        vpaddq         $OVERFLOW, $ACC7, $ACC7
+        vpmuludq       32*7(%rcx), $B, $ACC8
+        vmovdqa        32*8($a_ptr), $B
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+        vpand          $AND_MASK, $ACC0, $Y
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       #itr            9
+       vpmuludq        $B, $B, $ACC8
+
+       vpmuludq        $AND_MASK, $Y, $T0
+       vpaddq          $T0, $ACC0, $OVERFLOW
+       vpsrlq          $digit_size, $OVERFLOW, $OVERFLOW
+       vpaddq          $T0, $ACC1, $ACC0
+       vpaddq          $T0, $ACC2, $ACC1
+       vpmuludq        32*3(%rax), $Y, $T0
+       vpaddq          $OVERFLOW, $ACC0, $ACC0
+       vpaddq          $T0, $ACC3, $ACC2
+       vmovdqa         $ACC4, $ACC3
+       vpsllq          \$18, $Y, $T0
+       vmovdqa         $ACC5, $ACC4
+       vpmuludq        %ymm14, $Y, $OVERFLOW
+       vpaddq          $T0, $ACC6, $ACC5
+       vpmuludq        %ymm15, $Y, $T0
+       vpaddq          $OVERFLOW, $ACC7, $ACC6
+       vpaddq          $T0, $ACC8, $ACC7
+
+       vpxor           $ACC8, $ACC8, $ACC8
+
+       ret
+.size  avx2_sqr_x4,.-avx2_sqr_x4
+
+################################################################################
+# void avx2_sub_x4(void* RESULTx4, void *Ax4, void *Bx4);
+.type  avx2_sub_x4,\@abi-omnipotent
+.align 32
+avx2_sub_x4:
+       vmovdqa 32*0($a_ptr), $ACC0
+       lea     160($a_ptr), $a_ptr
+       lea     .LAVX2_POLY_x8+128(%rip), %rax
+       lea     128($b_ptr), $b_ptr
+       vmovdqa 32*1-160($a_ptr), $ACC1
+       vmovdqa 32*2-160($a_ptr), $ACC2
+       vmovdqa 32*3-160($a_ptr), $ACC3
+       vmovdqa 32*4-160($a_ptr), $ACC4
+       vmovdqa 32*5-160($a_ptr), $ACC5
+       vmovdqa 32*6-160($a_ptr), $ACC6
+       vmovdqa 32*7-160($a_ptr), $ACC7
+       vmovdqa 32*8-160($a_ptr), $ACC8
+
+       vpaddq  32*0-128(%rax), $ACC0, $ACC0
+       vpaddq  32*1-128(%rax), $ACC1, $ACC1
+       vpaddq  32*2-128(%rax), $ACC2, $ACC2
+       vpaddq  32*3-128(%rax), $ACC3, $ACC3
+       vpaddq  32*4-128(%rax), $ACC4, $ACC4
+       vpaddq  32*5-128(%rax), $ACC5, $ACC5
+       vpaddq  32*6-128(%rax), $ACC6, $ACC6
+       vpaddq  32*7-128(%rax), $ACC7, $ACC7
+       vpaddq  32*8-128(%rax), $ACC8, $ACC8
+
+       vpsubq  32*0-128($b_ptr), $ACC0, $ACC0
+       vpsubq  32*1-128($b_ptr), $ACC1, $ACC1
+       vpsubq  32*2-128($b_ptr), $ACC2, $ACC2
+       vpsubq  32*3-128($b_ptr), $ACC3, $ACC3
+       vpsubq  32*4-128($b_ptr), $ACC4, $ACC4
+       vpsubq  32*5-128($b_ptr), $ACC5, $ACC5
+       vpsubq  32*6-128($b_ptr), $ACC6, $ACC6
+       vpsubq  32*7-128($b_ptr), $ACC7, $ACC7
+       vpsubq  32*8-128($b_ptr), $ACC8, $ACC8
+
+       ret
+.size  avx2_sub_x4,.-avx2_sub_x4
+
+.type  avx2_select_n_store,\@abi-omnipotent
+.align 32
+avx2_select_n_store:
+       vmovdqa `8+32*9*8`(%rsp), $Y
+       vpor    `8+32*9*8+32`(%rsp), $Y, $Y
+
+       vpandn  $ACC0, $Y, $ACC0
+       vpandn  $ACC1, $Y, $ACC1
+       vpandn  $ACC2, $Y, $ACC2
+       vpandn  $ACC3, $Y, $ACC3
+       vpandn  $ACC4, $Y, $ACC4
+       vpandn  $ACC5, $Y, $ACC5
+       vpandn  $ACC6, $Y, $ACC6
+       vmovdqa `8+32*9*8+32`(%rsp), $B
+       vpandn  $ACC7, $Y, $ACC7
+       vpandn  `8+32*9*8`(%rsp), $B, $B
+       vpandn  $ACC8, $Y, $ACC8
+
+       vpand   32*0(%rsi), $B, $T0
+       lea     160(%rsi), %rax
+       vpand   32*1(%rsi), $B, $Y
+       vpxor   $T0, $ACC0, $ACC0
+       vpand   32*2(%rsi), $B, $T0
+       vpxor   $Y, $ACC1, $ACC1
+       vpand   32*3(%rsi), $B, $Y
+       vpxor   $T0, $ACC2, $ACC2
+       vpand   32*4-160(%rax), $B, $T0
+       vpxor   $Y, $ACC3, $ACC3
+       vpand   32*5-160(%rax), $B, $Y
+       vpxor   $T0, $ACC4, $ACC4
+       vpand   32*6-160(%rax), $B, $T0
+       vpxor   $Y, $ACC5, $ACC5
+       vpand   32*7-160(%rax), $B, $Y
+       vpxor   $T0, $ACC6, $ACC6
+       vpand   32*8-160(%rax), $B, $T0
+       vmovdqa `8+32*9*8+32`(%rsp), $B
+       vpxor   $Y, $ACC7, $ACC7
+
+       vpand   32*0(%rdx), $B, $Y
+       lea     160(%rdx), %rax
+       vpxor   $T0, $ACC8, $ACC8
+       vpand   32*1(%rdx), $B, $T0
+       vpxor   $Y, $ACC0, $ACC0
+       vpand   32*2(%rdx), $B, $Y
+       vpxor   $T0, $ACC1, $ACC1
+       vpand   32*3(%rdx), $B, $T0
+       vpxor   $Y, $ACC2, $ACC2
+       vpand   32*4-160(%rax), $B, $Y
+       vpxor   $T0, $ACC3, $ACC3
+       vpand   32*5-160(%rax), $B, $T0
+       vpxor   $Y, $ACC4, $ACC4
+       vpand   32*6-160(%rax), $B, $Y
+       vpxor   $T0, $ACC5, $ACC5
+       vpand   32*7-160(%rax), $B, $T0
+       vpxor   $Y, $ACC6, $ACC6
+       vpand   32*8-160(%rax), $B, $Y
+       vpxor   $T0, $ACC7, $ACC7
+       vpxor   $Y, $ACC8, $ACC8
+       `&STORE`
+
+       ret
+.size  avx2_select_n_store,.-avx2_select_n_store
+___
+$code.=<<___   if (0);                         # inlined
+################################################################################
+# void avx2_mul_by2_x4(void* RESULTx4, void *Ax4);
+.type  avx2_mul_by2_x4,\@abi-omnipotent
+.align 32
+avx2_mul_by2_x4:
+       vmovdqa 32*0($a_ptr), $ACC0
+       lea     160($a_ptr), %rax
+       vmovdqa 32*1($a_ptr), $ACC1
+       vmovdqa 32*2($a_ptr), $ACC2
+       vmovdqa 32*3($a_ptr), $ACC3
+       vmovdqa 32*4-160(%rax), $ACC4
+       vmovdqa 32*5-160(%rax), $ACC5
+       vmovdqa 32*6-160(%rax), $ACC6
+       vmovdqa 32*7-160(%rax), $ACC7
+       vmovdqa 32*8-160(%rax), $ACC8
+
+       vpaddq  $ACC0, $ACC0, $ACC0
+       vpaddq  $ACC1, $ACC1, $ACC1
+       vpaddq  $ACC2, $ACC2, $ACC2
+       vpaddq  $ACC3, $ACC3, $ACC3
+       vpaddq  $ACC4, $ACC4, $ACC4
+       vpaddq  $ACC5, $ACC5, $ACC5
+       vpaddq  $ACC6, $ACC6, $ACC6
+       vpaddq  $ACC7, $ACC7, $ACC7
+       vpaddq  $ACC8, $ACC8, $ACC8
+
+       ret
+.size  avx2_mul_by2_x4,.-avx2_mul_by2_x4
+___
+my ($r_ptr_in,$a_ptr_in,$b_ptr_in)=("%rdi","%rsi","%rdx");
+my ($r_ptr,$a_ptr,$b_ptr)=("%r8","%r9","%r10");
+
+$code.=<<___;
+################################################################################
+# void ecp_nistz256_avx2_point_add_affine_x4(void* RESULTx4, void *Ax4, void *Bx4);
+.globl ecp_nistz256_avx2_point_add_affine_x4
+.type  ecp_nistz256_avx2_point_add_affine_x4,\@function,3
+.align 32
+ecp_nistz256_avx2_point_add_affine_x4:
+       mov     %rsp, %rax
+       push    %rbp
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       lea     -8(%rax), %rbp
+
+# Result + 32*0 = Result.X
+# Result + 32*9 = Result.Y
+# Result + 32*18 = Result.Z
+
+# A + 32*0 = A.X
+# A + 32*9 = A.Y
+# A + 32*18 = A.Z
+
+# B + 32*0 = B.X
+# B + 32*9 = B.Y
+
+       sub     \$`32*9*8+32*2+32*8`, %rsp
+       and     \$-64, %rsp
+
+       mov     $r_ptr_in, $r_ptr
+       mov     $a_ptr_in, $a_ptr
+       mov     $b_ptr_in, $b_ptr
+
+       vmovdqa 32*0($a_ptr_in), %ymm0
+       vmovdqa .LAVX2_AND_MASK(%rip), $AND_MASK
+       vpxor   %ymm1, %ymm1, %ymm1
+       lea     256($a_ptr_in), %rax            # size optimization
+       vpor    32*1($a_ptr_in), %ymm0, %ymm0
+       vpor    32*2($a_ptr_in), %ymm0, %ymm0
+       vpor    32*3($a_ptr_in), %ymm0, %ymm0
+       vpor    32*4-256(%rax), %ymm0, %ymm0
+       lea     256(%rax), %rcx                 # size optimization
+       vpor    32*5-256(%rax), %ymm0, %ymm0
+       vpor    32*6-256(%rax), %ymm0, %ymm0
+       vpor    32*7-256(%rax), %ymm0, %ymm0
+       vpor    32*8-256(%rax), %ymm0, %ymm0
+       vpor    32*9-256(%rax), %ymm0, %ymm0
+       vpor    32*10-256(%rax), %ymm0, %ymm0
+       vpor    32*11-256(%rax), %ymm0, %ymm0
+       vpor    32*12-512(%rcx), %ymm0, %ymm0
+       vpor    32*13-512(%rcx), %ymm0, %ymm0
+       vpor    32*14-512(%rcx), %ymm0, %ymm0
+       vpor    32*15-512(%rcx), %ymm0, %ymm0
+       vpor    32*16-512(%rcx), %ymm0, %ymm0
+       vpor    32*17-512(%rcx), %ymm0, %ymm0
+       vpcmpeqq %ymm1, %ymm0, %ymm0
+       vmovdqa %ymm0, `32*9*8`(%rsp)
+
+       vpxor   %ymm1, %ymm1, %ymm1
+       vmovdqa 32*0($b_ptr), %ymm0
+       lea     256($b_ptr), %rax               # size optimization
+       vpor    32*1($b_ptr), %ymm0, %ymm0
+       vpor    32*2($b_ptr), %ymm0, %ymm0
+       vpor    32*3($b_ptr), %ymm0, %ymm0
+       vpor    32*4-256(%rax), %ymm0, %ymm0
+       lea     256(%rax), %rcx                 # size optimization
+       vpor    32*5-256(%rax), %ymm0, %ymm0
+       vpor    32*6-256(%rax), %ymm0, %ymm0
+       vpor    32*7-256(%rax), %ymm0, %ymm0
+       vpor    32*8-256(%rax), %ymm0, %ymm0
+       vpor    32*9-256(%rax), %ymm0, %ymm0
+       vpor    32*10-256(%rax), %ymm0, %ymm0
+       vpor    32*11-256(%rax), %ymm0, %ymm0
+       vpor    32*12-512(%rcx), %ymm0, %ymm0
+       vpor    32*13-512(%rcx), %ymm0, %ymm0
+       vpor    32*14-512(%rcx), %ymm0, %ymm0
+       vpor    32*15-512(%rcx), %ymm0, %ymm0
+       vpor    32*16-512(%rcx), %ymm0, %ymm0
+       vpor    32*17-512(%rcx), %ymm0, %ymm0
+       vpcmpeqq %ymm1, %ymm0, %ymm0
+       vmovdqa %ymm0, `32*9*8+32`(%rsp)
+
+       #       Z1^2 = Z1*Z1
+       lea     `32*9*2`($a_ptr), %rsi
+       lea     `32*9*2`(%rsp), %rdi
+       lea     `32*9*8+32*2`(%rsp), %rcx       # temporary vector
+       call    avx2_sqr_x4
+       call    avx2_normalize_n_store
+
+       #       U2 = X2*Z1^2
+       lea     `32*9*0`($b_ptr), %rsi
+       lea     `32*9*2`(%rsp), %rdx
+       lea     `32*9*0`(%rsp), %rdi
+       call    avx2_mul_x4
+       #call   avx2_normalize
+       `&STORE`
+
+       #       S2 = Z1*Z1^2 = Z1^3
+       lea     `32*9*2`($a_ptr), %rsi
+       lea     `32*9*2`(%rsp), %rdx
+       lea     `32*9*1`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #       S2 = S2*Y2 = Y2*Z1^3
+       lea     `32*9*1`($b_ptr), %rsi
+       lea     `32*9*1`(%rsp), %rdx
+       lea     `32*9*1`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #       H = U2 - U1 = U2 - X1
+       lea     `32*9*0`(%rsp), %rsi
+       lea     `32*9*0`($a_ptr), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #       R = S2 - S1 = S2 - Y1
+       lea     `32*9*1`(%rsp), %rsi
+       lea     `32*9*1`($a_ptr), %rdx
+       lea     `32*9*4`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #       Z3 = H*Z1*Z2
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*2`($a_ptr), %rdx
+       lea     `32*9*2`($r_ptr), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize
+
+       lea     .LONE(%rip), %rsi
+       lea     `32*9*2`($a_ptr), %rdx
+       call    avx2_select_n_store
+
+       #       R^2 = R^2
+       lea     `32*9*4`(%rsp), %rsi
+       lea     `32*9*6`(%rsp), %rdi
+       lea     `32*9*8+32*2`(%rsp), %rcx       # temporary vector
+       call    avx2_sqr_x4
+       call    avx2_normalize_n_store
+
+       #       H^2 = H^2
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*5`(%rsp), %rdi
+       call    avx2_sqr_x4
+       call    avx2_normalize_n_store
+
+       #       H^3 = H^2*H
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*5`(%rsp), %rdx
+       lea     `32*9*7`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #       U2 = U1*H^2
+       lea     `32*9*0`($a_ptr), %rsi
+       lea     `32*9*5`(%rsp), %rdx
+       lea     `32*9*0`(%rsp), %rdi
+       call    avx2_mul_x4
+       #call   avx2_normalize
+       `&STORE`
+
+       #       Hsqr = U2*2
+       #lea    32*9*0(%rsp), %rsi
+       #lea    32*9*5(%rsp), %rdi
+       #call   avx2_mul_by2_x4
+
+       vpaddq  $ACC0, $ACC0, $ACC0     # inlined avx2_mul_by2_x4
+       lea     `32*9*5`(%rsp), %rdi
+       vpaddq  $ACC1, $ACC1, $ACC1
+       vpaddq  $ACC2, $ACC2, $ACC2
+       vpaddq  $ACC3, $ACC3, $ACC3
+       vpaddq  $ACC4, $ACC4, $ACC4
+       vpaddq  $ACC5, $ACC5, $ACC5
+       vpaddq  $ACC6, $ACC6, $ACC6
+       vpaddq  $ACC7, $ACC7, $ACC7
+       vpaddq  $ACC8, $ACC8, $ACC8
+       call    avx2_normalize_n_store
+
+       #       X3 = R^2 - H^3
+       #lea    32*9*6(%rsp), %rsi
+       #lea    32*9*7(%rsp), %rdx
+       #lea    32*9*5(%rsp), %rcx
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_sub_x4
+       #NORMALIZE
+       #STORE
+
+       #       X3 = X3 - U2*2
+       #lea    32*9*0($r_ptr), %rsi
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_sub_x4
+       #NORMALIZE
+       #STORE
+
+       lea     `32*9*6+128`(%rsp), %rsi
+       lea     .LAVX2_POLY_x2+128(%rip), %rax
+       lea     `32*9*7+128`(%rsp), %rdx
+       lea     `32*9*5+128`(%rsp), %rcx
+       lea     `32*9*0`($r_ptr), %rdi
+
+       vmovdqa 32*0-128(%rsi), $ACC0
+       vmovdqa 32*1-128(%rsi), $ACC1
+       vmovdqa 32*2-128(%rsi), $ACC2
+       vmovdqa 32*3-128(%rsi), $ACC3
+       vmovdqa 32*4-128(%rsi), $ACC4
+       vmovdqa 32*5-128(%rsi), $ACC5
+       vmovdqa 32*6-128(%rsi), $ACC6
+       vmovdqa 32*7-128(%rsi), $ACC7
+       vmovdqa 32*8-128(%rsi), $ACC8
+
+       vpaddq  32*0-128(%rax), $ACC0, $ACC0
+       vpaddq  32*1-128(%rax), $ACC1, $ACC1
+       vpaddq  32*2-128(%rax), $ACC2, $ACC2
+       vpaddq  32*3-128(%rax), $ACC3, $ACC3
+       vpaddq  32*4-128(%rax), $ACC4, $ACC4
+       vpaddq  32*5-128(%rax), $ACC5, $ACC5
+       vpaddq  32*6-128(%rax), $ACC6, $ACC6
+       vpaddq  32*7-128(%rax), $ACC7, $ACC7
+       vpaddq  32*8-128(%rax), $ACC8, $ACC8
+
+       vpsubq  32*0-128(%rdx), $ACC0, $ACC0
+       vpsubq  32*1-128(%rdx), $ACC1, $ACC1
+       vpsubq  32*2-128(%rdx), $ACC2, $ACC2
+       vpsubq  32*3-128(%rdx), $ACC3, $ACC3
+       vpsubq  32*4-128(%rdx), $ACC4, $ACC4
+       vpsubq  32*5-128(%rdx), $ACC5, $ACC5
+       vpsubq  32*6-128(%rdx), $ACC6, $ACC6
+       vpsubq  32*7-128(%rdx), $ACC7, $ACC7
+       vpsubq  32*8-128(%rdx), $ACC8, $ACC8
+
+       vpsubq  32*0-128(%rcx), $ACC0, $ACC0
+       vpsubq  32*1-128(%rcx), $ACC1, $ACC1
+       vpsubq  32*2-128(%rcx), $ACC2, $ACC2
+       vpsubq  32*3-128(%rcx), $ACC3, $ACC3
+       vpsubq  32*4-128(%rcx), $ACC4, $ACC4
+       vpsubq  32*5-128(%rcx), $ACC5, $ACC5
+       vpsubq  32*6-128(%rcx), $ACC6, $ACC6
+       vpsubq  32*7-128(%rcx), $ACC7, $ACC7
+       vpsubq  32*8-128(%rcx), $ACC8, $ACC8
+       call    avx2_normalize
+
+       lea     32*0($b_ptr), %rsi
+       lea     32*0($a_ptr), %rdx
+       call    avx2_select_n_store
+
+       #       H = U2 - X3
+       lea     `32*9*0`(%rsp), %rsi
+       lea     `32*9*0`($r_ptr), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*4`(%rsp), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #
+       lea     `32*9*7`(%rsp), %rsi
+       lea     `32*9*1`($a_ptr), %rdx
+       lea     `32*9*1`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*1`(%rsp), %rdx
+       lea     `32*9*1`($r_ptr), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize
+
+       lea     32*9($b_ptr), %rsi
+       lea     32*9($a_ptr), %rdx
+       call    avx2_select_n_store
+
+       #lea    32*9*0($r_ptr), %rsi
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_mul_by1_x4
+       #NORMALIZE
+       #STORE
+
+       lea     `32*9*1`($r_ptr), %rsi
+       lea     `32*9*1`($r_ptr), %rdi
+       call    avx2_mul_by1_x4
+       call    avx2_normalize_n_store
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  %xmm6, -16*10(%rbp)
+       movaps  %xmm7, -16*9(%rbp)
+       movaps  %xmm8, -16*8(%rbp)
+       movaps  %xmm9, -16*7(%rbp)
+       movaps  %xmm10, -16*6(%rbp)
+       movaps  %xmm11, -16*5(%rbp)
+       movaps  %xmm12, -16*4(%rbp)
+       movaps  %xmm13, -16*3(%rbp)
+       movaps  %xmm14, -16*2(%rbp)
+       movaps  %xmm15, -16*1(%rbp)
+___
+$code.=<<___;
+       mov     %rbp, %rsp
+       pop     %rbp
+       ret
+.size  ecp_nistz256_avx2_point_add_affine_x4,.-ecp_nistz256_avx2_point_add_affine_x4
+
+################################################################################
+# void ecp_nistz256_avx2_point_add_affines_x4(void* RESULTx4, void *Ax4, void *Bx4);
+.globl ecp_nistz256_avx2_point_add_affines_x4
+.type  ecp_nistz256_avx2_point_add_affines_x4,\@function,3
+.align 32
+ecp_nistz256_avx2_point_add_affines_x4:
+       mov     %rsp, %rax
+       push    %rbp
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       lea     -8(%rax), %rbp
+
+# Result + 32*0 = Result.X
+# Result + 32*9 = Result.Y
+# Result + 32*18 = Result.Z
+
+# A + 32*0 = A.X
+# A + 32*9 = A.Y
+
+# B + 32*0 = B.X
+# B + 32*9 = B.Y
+
+       sub     \$`32*9*8+32*2+32*8`, %rsp
+       and     \$-64, %rsp
+
+       mov     $r_ptr_in, $r_ptr
+       mov     $a_ptr_in, $a_ptr
+       mov     $b_ptr_in, $b_ptr
+
+       vmovdqa 32*0($a_ptr_in), %ymm0
+       vmovdqa .LAVX2_AND_MASK(%rip), $AND_MASK
+       vpxor   %ymm1, %ymm1, %ymm1
+       lea     256($a_ptr_in), %rax            # size optimization
+       vpor    32*1($a_ptr_in), %ymm0, %ymm0
+       vpor    32*2($a_ptr_in), %ymm0, %ymm0
+       vpor    32*3($a_ptr_in), %ymm0, %ymm0
+       vpor    32*4-256(%rax), %ymm0, %ymm0
+       lea     256(%rax), %rcx                 # size optimization
+       vpor    32*5-256(%rax), %ymm0, %ymm0
+       vpor    32*6-256(%rax), %ymm0, %ymm0
+       vpor    32*7-256(%rax), %ymm0, %ymm0
+       vpor    32*8-256(%rax), %ymm0, %ymm0
+       vpor    32*9-256(%rax), %ymm0, %ymm0
+       vpor    32*10-256(%rax), %ymm0, %ymm0
+       vpor    32*11-256(%rax), %ymm0, %ymm0
+       vpor    32*12-512(%rcx), %ymm0, %ymm0
+       vpor    32*13-512(%rcx), %ymm0, %ymm0
+       vpor    32*14-512(%rcx), %ymm0, %ymm0
+       vpor    32*15-512(%rcx), %ymm0, %ymm0
+       vpor    32*16-512(%rcx), %ymm0, %ymm0
+       vpor    32*17-512(%rcx), %ymm0, %ymm0
+       vpcmpeqq %ymm1, %ymm0, %ymm0
+       vmovdqa %ymm0, `32*9*8`(%rsp)
+
+       vpxor   %ymm1, %ymm1, %ymm1
+       vmovdqa 32*0($b_ptr), %ymm0
+       lea     256($b_ptr), %rax               # size optimization
+       vpor    32*1($b_ptr), %ymm0, %ymm0
+       vpor    32*2($b_ptr), %ymm0, %ymm0
+       vpor    32*3($b_ptr), %ymm0, %ymm0
+       vpor    32*4-256(%rax), %ymm0, %ymm0
+       lea     256(%rax), %rcx                 # size optimization
+       vpor    32*5-256(%rax), %ymm0, %ymm0
+       vpor    32*6-256(%rax), %ymm0, %ymm0
+       vpor    32*7-256(%rax), %ymm0, %ymm0
+       vpor    32*8-256(%rax), %ymm0, %ymm0
+       vpor    32*9-256(%rax), %ymm0, %ymm0
+       vpor    32*10-256(%rax), %ymm0, %ymm0
+       vpor    32*11-256(%rax), %ymm0, %ymm0
+       vpor    32*12-512(%rcx), %ymm0, %ymm0
+       vpor    32*13-512(%rcx), %ymm0, %ymm0
+       vpor    32*14-512(%rcx), %ymm0, %ymm0
+       vpor    32*15-512(%rcx), %ymm0, %ymm0
+       vpor    32*16-512(%rcx), %ymm0, %ymm0
+       vpor    32*17-512(%rcx), %ymm0, %ymm0
+       vpcmpeqq %ymm1, %ymm0, %ymm0
+       vmovdqa %ymm0, `32*9*8+32`(%rsp)
+
+       #       H = U2 - U1 = X2 - X1
+       lea     `32*9*0`($b_ptr), %rsi
+       lea     `32*9*0`($a_ptr), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #       R = S2 - S1 = Y2 - Y1
+       lea     `32*9*1`($b_ptr), %rsi
+       lea     `32*9*1`($a_ptr), %rdx
+       lea     `32*9*4`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #       Z3 = H*Z1*Z2 = H
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*2`($r_ptr), %rdi
+       call    avx2_mul_by1_x4
+       call    avx2_normalize
+
+       vmovdqa `32*9*8`(%rsp), $B
+       vpor    `32*9*8+32`(%rsp), $B, $B
+
+       vpandn  $ACC0, $B, $ACC0
+       lea     .LONE+128(%rip), %rax
+       vpandn  $ACC1, $B, $ACC1
+       vpandn  $ACC2, $B, $ACC2
+       vpandn  $ACC3, $B, $ACC3
+       vpandn  $ACC4, $B, $ACC4
+       vpandn  $ACC5, $B, $ACC5
+       vpandn  $ACC6, $B, $ACC6
+       vpandn  $ACC7, $B, $ACC7
+
+       vpand   32*0-128(%rax), $B, $T0
+        vpandn $ACC8, $B, $ACC8
+       vpand   32*1-128(%rax), $B, $Y
+       vpxor   $T0, $ACC0, $ACC0
+       vpand   32*2-128(%rax), $B, $T0
+       vpxor   $Y, $ACC1, $ACC1
+       vpand   32*3-128(%rax), $B, $Y
+       vpxor   $T0, $ACC2, $ACC2
+       vpand   32*4-128(%rax), $B, $T0
+       vpxor   $Y, $ACC3, $ACC3
+       vpand   32*5-128(%rax), $B, $Y
+       vpxor   $T0, $ACC4, $ACC4
+       vpand   32*6-128(%rax), $B, $T0
+       vpxor   $Y, $ACC5, $ACC5
+       vpand   32*7-128(%rax), $B, $Y
+       vpxor   $T0, $ACC6, $ACC6
+       vpand   32*8-128(%rax), $B, $T0
+       vpxor   $Y, $ACC7, $ACC7
+       vpxor   $T0, $ACC8, $ACC8
+       `&STORE`
+
+       #       R^2 = R^2
+       lea     `32*9*4`(%rsp), %rsi
+       lea     `32*9*6`(%rsp), %rdi
+       lea     `32*9*8+32*2`(%rsp), %rcx       # temporary vector
+       call    avx2_sqr_x4
+       call    avx2_normalize_n_store
+
+       #       H^2 = H^2
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*5`(%rsp), %rdi
+       call    avx2_sqr_x4
+       call    avx2_normalize_n_store
+
+       #       H^3 = H^2*H
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*5`(%rsp), %rdx
+       lea     `32*9*7`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #       U2 = U1*H^2
+       lea     `32*9*0`($a_ptr), %rsi
+       lea     `32*9*5`(%rsp), %rdx
+       lea     `32*9*0`(%rsp), %rdi
+       call    avx2_mul_x4
+       #call   avx2_normalize
+       `&STORE`
+
+       #       Hsqr = U2*2
+       #lea    32*9*0(%rsp), %rsi
+       #lea    32*9*5(%rsp), %rdi
+       #call   avx2_mul_by2_x4
+
+       vpaddq  $ACC0, $ACC0, $ACC0     # inlined avx2_mul_by2_x4
+       lea     `32*9*5`(%rsp), %rdi
+       vpaddq  $ACC1, $ACC1, $ACC1
+       vpaddq  $ACC2, $ACC2, $ACC2
+       vpaddq  $ACC3, $ACC3, $ACC3
+       vpaddq  $ACC4, $ACC4, $ACC4
+       vpaddq  $ACC5, $ACC5, $ACC5
+       vpaddq  $ACC6, $ACC6, $ACC6
+       vpaddq  $ACC7, $ACC7, $ACC7
+       vpaddq  $ACC8, $ACC8, $ACC8
+       call    avx2_normalize_n_store
+
+       #       X3 = R^2 - H^3
+       #lea    32*9*6(%rsp), %rsi
+       #lea    32*9*7(%rsp), %rdx
+       #lea    32*9*5(%rsp), %rcx
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_sub_x4
+       #NORMALIZE
+       #STORE
+
+       #       X3 = X3 - U2*2
+       #lea    32*9*0($r_ptr), %rsi
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_sub_x4
+       #NORMALIZE
+       #STORE
+
+       lea     `32*9*6+128`(%rsp), %rsi
+       lea     .LAVX2_POLY_x2+128(%rip), %rax
+       lea     `32*9*7+128`(%rsp), %rdx
+       lea     `32*9*5+128`(%rsp), %rcx
+       lea     `32*9*0`($r_ptr), %rdi
+
+       vmovdqa 32*0-128(%rsi), $ACC0
+       vmovdqa 32*1-128(%rsi), $ACC1
+       vmovdqa 32*2-128(%rsi), $ACC2
+       vmovdqa 32*3-128(%rsi), $ACC3
+       vmovdqa 32*4-128(%rsi), $ACC4
+       vmovdqa 32*5-128(%rsi), $ACC5
+       vmovdqa 32*6-128(%rsi), $ACC6
+       vmovdqa 32*7-128(%rsi), $ACC7
+       vmovdqa 32*8-128(%rsi), $ACC8
+
+       vpaddq  32*0-128(%rax), $ACC0, $ACC0
+       vpaddq  32*1-128(%rax), $ACC1, $ACC1
+       vpaddq  32*2-128(%rax), $ACC2, $ACC2
+       vpaddq  32*3-128(%rax), $ACC3, $ACC3
+       vpaddq  32*4-128(%rax), $ACC4, $ACC4
+       vpaddq  32*5-128(%rax), $ACC5, $ACC5
+       vpaddq  32*6-128(%rax), $ACC6, $ACC6
+       vpaddq  32*7-128(%rax), $ACC7, $ACC7
+       vpaddq  32*8-128(%rax), $ACC8, $ACC8
+
+       vpsubq  32*0-128(%rdx), $ACC0, $ACC0
+       vpsubq  32*1-128(%rdx), $ACC1, $ACC1
+       vpsubq  32*2-128(%rdx), $ACC2, $ACC2
+       vpsubq  32*3-128(%rdx), $ACC3, $ACC3
+       vpsubq  32*4-128(%rdx), $ACC4, $ACC4
+       vpsubq  32*5-128(%rdx), $ACC5, $ACC5
+       vpsubq  32*6-128(%rdx), $ACC6, $ACC6
+       vpsubq  32*7-128(%rdx), $ACC7, $ACC7
+       vpsubq  32*8-128(%rdx), $ACC8, $ACC8
+
+       vpsubq  32*0-128(%rcx), $ACC0, $ACC0
+       vpsubq  32*1-128(%rcx), $ACC1, $ACC1
+       vpsubq  32*2-128(%rcx), $ACC2, $ACC2
+       vpsubq  32*3-128(%rcx), $ACC3, $ACC3
+       vpsubq  32*4-128(%rcx), $ACC4, $ACC4
+       vpsubq  32*5-128(%rcx), $ACC5, $ACC5
+       vpsubq  32*6-128(%rcx), $ACC6, $ACC6
+       vpsubq  32*7-128(%rcx), $ACC7, $ACC7
+       vpsubq  32*8-128(%rcx), $ACC8, $ACC8
+       call    avx2_normalize
+
+       lea     32*0($b_ptr), %rsi
+       lea     32*0($a_ptr), %rdx
+       call    avx2_select_n_store
+
+       #       H = U2 - X3
+       lea     `32*9*0`(%rsp), %rsi
+       lea     `32*9*0`($r_ptr), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize_n_store
+
+       #       H = H*R
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*4`(%rsp), %rdx
+       lea     `32*9*3`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #       S2 = S1 * H^3
+       lea     `32*9*7`(%rsp), %rsi
+       lea     `32*9*1`($a_ptr), %rdx
+       lea     `32*9*1`(%rsp), %rdi
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       #
+       lea     `32*9*3`(%rsp), %rsi
+       lea     `32*9*1`(%rsp), %rdx
+       lea     `32*9*1`($r_ptr), %rdi
+       call    avx2_sub_x4
+       call    avx2_normalize
+
+       lea     32*9($b_ptr), %rsi
+       lea     32*9($a_ptr), %rdx
+       call    avx2_select_n_store
+
+       #lea    32*9*0($r_ptr), %rsi
+       #lea    32*9*0($r_ptr), %rdi
+       #call   avx2_mul_by1_x4
+       #NORMALIZE
+       #STORE
+
+       lea     `32*9*1`($r_ptr), %rsi
+       lea     `32*9*1`($r_ptr), %rdi
+       call    avx2_mul_by1_x4
+       call    avx2_normalize_n_store
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  %xmm6, -16*10(%rbp)
+       movaps  %xmm7, -16*9(%rbp)
+       movaps  %xmm8, -16*8(%rbp)
+       movaps  %xmm9, -16*7(%rbp)
+       movaps  %xmm10, -16*6(%rbp)
+       movaps  %xmm11, -16*5(%rbp)
+       movaps  %xmm12, -16*4(%rbp)
+       movaps  %xmm13, -16*3(%rbp)
+       movaps  %xmm14, -16*2(%rbp)
+       movaps  %xmm15, -16*1(%rbp)
+___
+$code.=<<___;
+       mov     %rbp, %rsp
+       pop     %rbp
+       ret
+.size  ecp_nistz256_avx2_point_add_affines_x4,.-ecp_nistz256_avx2_point_add_affines_x4
+
+################################################################################
+# void ecp_nistz256_avx2_to_mont(void* RESULTx4, void *Ax4);
+.globl ecp_nistz256_avx2_to_mont
+.type  ecp_nistz256_avx2_to_mont,\@function,2
+.align 32
+ecp_nistz256_avx2_to_mont:
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -8-16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       vmovdqa .LAVX2_AND_MASK(%rip), $AND_MASK
+       lea     .LTO_MONT_AVX2(%rip), %rdx
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  16*0(%rsp), %xmm6
+       movaps  16*1(%rsp), %xmm7
+       movaps  16*2(%rsp), %xmm8
+       movaps  16*3(%rsp), %xmm9
+       movaps  16*4(%rsp), %xmm10
+       movaps  16*5(%rsp), %xmm11
+       movaps  16*6(%rsp), %xmm12
+       movaps  16*7(%rsp), %xmm13
+       movaps  16*8(%rsp), %xmm14
+       movaps  16*9(%rsp), %xmm15
+       lea     8+16*10(%rsp), %rsp
+___
+$code.=<<___;
+       ret
+.size  ecp_nistz256_avx2_to_mont,.-ecp_nistz256_avx2_to_mont
+
+################################################################################
+# void ecp_nistz256_avx2_from_mont(void* RESULTx4, void *Ax4);
+.globl ecp_nistz256_avx2_from_mont
+.type  ecp_nistz256_avx2_from_mont,\@function,2
+.align 32
+ecp_nistz256_avx2_from_mont:
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -8-16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       vmovdqa .LAVX2_AND_MASK(%rip), $AND_MASK
+       lea     .LFROM_MONT_AVX2(%rip), %rdx
+       call    avx2_mul_x4
+       call    avx2_normalize_n_store
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  16*0(%rsp), %xmm6
+       movaps  16*1(%rsp), %xmm7
+       movaps  16*2(%rsp), %xmm8
+       movaps  16*3(%rsp), %xmm9
+       movaps  16*4(%rsp), %xmm10
+       movaps  16*5(%rsp), %xmm11
+       movaps  16*6(%rsp), %xmm12
+       movaps  16*7(%rsp), %xmm13
+       movaps  16*8(%rsp), %xmm14
+       movaps  16*9(%rsp), %xmm15
+       lea     8+16*10(%rsp), %rsp
+___
+$code.=<<___;
+       ret
+.size  ecp_nistz256_avx2_from_mont,.-ecp_nistz256_avx2_from_mont
+
+################################################################################
+# void ecp_nistz256_avx2_set1(void* RESULTx4);
+.globl ecp_nistz256_avx2_set1
+.type  ecp_nistz256_avx2_set1,\@function,1
+.align 32
+ecp_nistz256_avx2_set1:
+       lea     .LONE+128(%rip), %rax
+       lea     128(%rdi), %rdi
+       vzeroupper
+       vmovdqa 32*0-128(%rax), %ymm0
+       vmovdqa 32*1-128(%rax), %ymm1
+       vmovdqa 32*2-128(%rax), %ymm2
+       vmovdqa 32*3-128(%rax), %ymm3
+       vmovdqa 32*4-128(%rax), %ymm4
+       vmovdqa 32*5-128(%rax), %ymm5
+       vmovdqa %ymm0, 32*0-128(%rdi)
+       vmovdqa 32*6-128(%rax), %ymm0
+       vmovdqa %ymm1, 32*1-128(%rdi)
+       vmovdqa 32*7-128(%rax), %ymm1
+       vmovdqa %ymm2, 32*2-128(%rdi)
+       vmovdqa 32*8-128(%rax), %ymm2
+       vmovdqa %ymm3, 32*3-128(%rdi)
+       vmovdqa %ymm4, 32*4-128(%rdi)
+       vmovdqa %ymm5, 32*5-128(%rdi)
+       vmovdqa %ymm0, 32*6-128(%rdi)
+       vmovdqa %ymm1, 32*7-128(%rdi)
+       vmovdqa %ymm2, 32*8-128(%rdi)
+
+       vzeroupper
+       ret
+.size  ecp_nistz256_avx2_set1,.-ecp_nistz256_avx2_set1
+___
+}
+{
+################################################################################
+# void ecp_nistz256_avx2_multi_select_w7(void* RESULT, void *in,
+#                          int index0, int index1, int index2, int index3);
+################################################################################
+
+my ($val,$in_t,$index0,$index1,$index2,$index3)=("%rdi","%rsi","%edx","%ecx","%r8d","%r9d");
+my ($INDEX0,$INDEX1,$INDEX2,$INDEX3)=map("%ymm$_",(0..3));
+my ($R0a,$R0b,$R1a,$R1b,$R2a,$R2b,$R3a,$R3b)=map("%ymm$_",(4..11));
+my ($M0,$T0,$T1,$TMP0)=map("%ymm$_",(12..15));
+
+$code.=<<___;
+.globl ecp_nistz256_avx2_multi_select_w7
+.type  ecp_nistz256_avx2_multi_select_w7,\@function,6
+.align 32
+ecp_nistz256_avx2_multi_select_w7:
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       lea     -8-16*10(%rsp), %rsp
+       vmovaps %xmm6, -8-16*10(%rax)
+       vmovaps %xmm7, -8-16*9(%rax)
+       vmovaps %xmm8, -8-16*8(%rax)
+       vmovaps %xmm9, -8-16*7(%rax)
+       vmovaps %xmm10, -8-16*6(%rax)
+       vmovaps %xmm11, -8-16*5(%rax)
+       vmovaps %xmm12, -8-16*4(%rax)
+       vmovaps %xmm13, -8-16*3(%rax)
+       vmovaps %xmm14, -8-16*2(%rax)
+       vmovaps %xmm15, -8-16*1(%rax)
+___
+$code.=<<___;
+       lea     .LIntOne(%rip), %rax
+
+       vmovd   $index0, %xmm0
+       vmovd   $index1, %xmm1
+       vmovd   $index2, %xmm2
+       vmovd   $index3, %xmm3
+
+       vpxor   $R0a, $R0a, $R0a
+       vpxor   $R0b, $R0b, $R0b
+       vpxor   $R1a, $R1a, $R1a
+       vpxor   $R1b, $R1b, $R1b
+       vpxor   $R2a, $R2a, $R2a
+       vpxor   $R2b, $R2b, $R2b
+       vpxor   $R3a, $R3a, $R3a
+       vpxor   $R3b, $R3b, $R3b
+       vmovdqa (%rax), $M0
+
+       vpermd  $INDEX0, $R0a, $INDEX0
+       vpermd  $INDEX1, $R0a, $INDEX1
+       vpermd  $INDEX2, $R0a, $INDEX2
+       vpermd  $INDEX3, $R0a, $INDEX3
+
+       mov     \$64, %ecx
+       lea     112($val), $val         # size optimization
+       jmp     .Lmulti_select_loop_avx2
+
+# INDEX=0, corresponds to the point at infty (0,0)
+.align 32
+.Lmulti_select_loop_avx2:
+       vpcmpeqd        $INDEX0, $M0, $TMP0
+
+       vmovdqa         `32*0+32*64*2*0`($in_t), $T0
+       vmovdqa         `32*1+32*64*2*0`($in_t), $T1
+       vpand           $TMP0, $T0, $T0
+       vpand           $TMP0, $T1, $T1
+       vpxor           $T0, $R0a, $R0a
+       vpxor           $T1, $R0b, $R0b
+
+       vpcmpeqd        $INDEX1, $M0, $TMP0
+
+       vmovdqa         `32*0+32*64*2*1`($in_t), $T0
+       vmovdqa         `32*1+32*64*2*1`($in_t), $T1
+       vpand           $TMP0, $T0, $T0
+       vpand           $TMP0, $T1, $T1
+       vpxor           $T0, $R1a, $R1a
+       vpxor           $T1, $R1b, $R1b
+
+       vpcmpeqd        $INDEX2, $M0, $TMP0
+
+       vmovdqa         `32*0+32*64*2*2`($in_t), $T0
+       vmovdqa         `32*1+32*64*2*2`($in_t), $T1
+       vpand           $TMP0, $T0, $T0
+       vpand           $TMP0, $T1, $T1
+       vpxor           $T0, $R2a, $R2a
+       vpxor           $T1, $R2b, $R2b
+
+       vpcmpeqd        $INDEX3, $M0, $TMP0
+
+       vmovdqa         `32*0+32*64*2*3`($in_t), $T0
+       vmovdqa         `32*1+32*64*2*3`($in_t), $T1
+       vpand           $TMP0, $T0, $T0
+       vpand           $TMP0, $T1, $T1
+       vpxor           $T0, $R3a, $R3a
+       vpxor           $T1, $R3b, $R3b
+
+       vpaddd          (%rax), $M0, $M0        # increment
+       lea             32*2($in_t), $in_t
+
+        dec    %ecx
+       jnz     .Lmulti_select_loop_avx2
+
+       vmovdqu $R0a, 32*0-112($val)
+       vmovdqu $R0b, 32*1-112($val)
+       vmovdqu $R1a, 32*2-112($val)
+       vmovdqu $R1b, 32*3-112($val)
+       vmovdqu $R2a, 32*4-112($val)
+       vmovdqu $R2b, 32*5-112($val)
+       vmovdqu $R3a, 32*6-112($val)
+       vmovdqu $R3b, 32*7-112($val)
+
+       vzeroupper
+___
+$code.=<<___   if ($win64);
+       movaps  16*0(%rsp), %xmm6
+       movaps  16*1(%rsp), %xmm7
+       movaps  16*2(%rsp), %xmm8
+       movaps  16*3(%rsp), %xmm9
+       movaps  16*4(%rsp), %xmm10
+       movaps  16*5(%rsp), %xmm11
+       movaps  16*6(%rsp), %xmm12
+       movaps  16*7(%rsp), %xmm13
+       movaps  16*8(%rsp), %xmm14
+       movaps  16*9(%rsp), %xmm15
+       lea     8+16*10(%rsp), %rsp
+___
+$code.=<<___;
+       ret
+.size  ecp_nistz256_avx2_multi_select_w7,.-ecp_nistz256_avx2_multi_select_w7
+
+.extern        OPENSSL_ia32cap_P
+.globl ecp_nistz_avx2_eligible
+.type  ecp_nistz_avx2_eligible,\@abi-omnipotent
+.align 32
+ecp_nistz_avx2_eligible:
+       mov     OPENSSL_ia32cap_P+8(%rip),%eax
+       shr     \$5,%eax
+       and     \$1,%eax
+       ret
+.size  ecp_nistz_avx2_eligible,.-ecp_nistz_avx2_eligible
+___
+}
+}} else {{     # assembler is too old
+$code.=<<___;
+.text
+
+.globl ecp_nistz256_avx2_transpose_convert
+.globl ecp_nistz256_avx2_convert_transpose_back
+.globl ecp_nistz256_avx2_point_add_affine_x4
+.globl ecp_nistz256_avx2_point_add_affines_x4
+.globl ecp_nistz256_avx2_to_mont
+.globl ecp_nistz256_avx2_from_mont
+.globl ecp_nistz256_avx2_set1
+.globl ecp_nistz256_avx2_multi_select_w7
+.type  ecp_nistz256_avx2_multi_select_w7,\@abi-omnipotent
+ecp_nistz256_avx2_transpose_convert:
+ecp_nistz256_avx2_convert_transpose_back:
+ecp_nistz256_avx2_point_add_affine_x4:
+ecp_nistz256_avx2_point_add_affines_x4:
+ecp_nistz256_avx2_to_mont:
+ecp_nistz256_avx2_from_mont:
+ecp_nistz256_avx2_set1:
+ecp_nistz256_avx2_multi_select_w7:
+       .byte   0x0f,0x0b       # ud2
+       ret
+.size  ecp_nistz256_avx2_multi_select_w7,.-ecp_nistz256_avx2_multi_select_w7
+
+.globl ecp_nistz_avx2_eligible
+.type  ecp_nistz_avx2_eligible,\@abi-omnipotent
+ecp_nistz_avx2_eligible:
+       xor     %eax,%eax
+       ret
+.size  ecp_nistz_avx2_eligible,.-ecp_nistz_avx2_eligible
+___
+}}
+
+foreach (split("\n",$code)) {
+       s/\`([^\`]*)\`/eval($1)/geo;
+
+       print $_,"\n";
+}
+
+close STDOUT;