умножение неоновых чисел происходит медленнее, чем ожидалось

У меня есть две вкладки поплавков. Мне нужно умножить элементы из первой вкладки на соответствующие элементы из второй вкладки и сохранить результат в третьей вкладке.

Я хотел бы использовать NEON для распараллеливания умножений с плавающей точкой: четыре умножения с плавающей точкой одновременно вместо одной.

Я ожидал значительного ускорения, но достиг всего лишь 20% сокращения времени выполнения. Это мой код:

#include <stdlib.h>
#include <iostream>
#include <arm_neon.h>

const int n = 100; // table size

/* fill a tab with random floats */
void rand_tab(float *t) {
for (int i = 0; i < n; i++)
t[i] = (float)rand()/(float)RAND_MAX;
}

/* Multiply elements of two tabs and store results in third tab
- STANDARD processing. */
void mul_tab_standard(float *t1, float *t2, float *tr) {
for (int i = 0; i < n; i++)
tr[i] = t1[i] * t2[i];
}

/* Multiply elements of two tabs and store results in third tab
- NEON processing. */
void mul_tab_neon(float *t1, float *t2, float *tr) {
for (int i = 0; i < n; i+=4)
vst1q_f32(tr+i, vmulq_f32(vld1q_f32(t1+i), vld1q_f32(t2+i)));
}

int main() {
float t1[n], t2[n], tr[n];

/* fill tables with random values */
srand(1); rand_tab(t1); rand_tab(t2);// I repeat table multiplication function 1000000 times for measuring purposes:
for (int k=0; k < 1000000; k++)
mul_tab_standard(t1, t2, tr);  // switch to next line for comparison:
//mul_tab_neon(t1, t2, tr);
return 1;
}

Я запускаю следующую команду для компиляции:
g ++ -mfpu = neon -ffast-math neon_test.cpp

Мой процессор: процессор ARMv7, версия 0 (v7l)

У вас есть идеи, как мне добиться более значительного ускорения?