Параллельно с omp

Я пытаюсь оптимизировать следующий цикл с помощью OpenMP:

    #pragma omp parallel for private(diff)
    for (int j = 0; j < x.d; ++j) {
        diff = x(example,j) - x(chosen_pts[ndx - 1],j);
        #pragma omp atomic
        d2 += diff * diff;
    }

Но он работает на 4 раза медленнее, чем без #pragma.

РЕДАКТИРОВАТЬ

Как отметил Петр С., совпадение и эрнен, в моем случае xd настолько мала, что параллелизм заставляет мой код работать медленнее. Я также отправляю внешний цикл, возможно, есть много возможностей для многопоточности: (xn превышает 100 миллионов)

float sum_distribution = 0.0;
// look for the point that is furthest from any center
float max_dist = 0.0;

for (int i = 0; i < x.n; ++i) {
    int example = dist2[i].second;
    float d2 = 0.0, diff;
    //#pragma omp parallel for private(diff) reduction(+:d2)
    for (int j = 0; j < x.d; ++j) {
        diff = x(example,j) - x(chosen_pts[ndx - 1],j);

        d2 += diff * diff;
    }
    if (d2 < dist2[i].first) {
        dist2[i].first = d2;
    }

    if (dist2[i].first > max_dist) {
        max_dist = dist2[i].first;
    }

    sum_distribution += dist2[i].first;
}

Если кому-то интересно, вот целая функция: https://github.com/ghamerly/baylorml/blob/master/fast_kmeans/general_functions.cpp#L169, но по мере того, как я измерял, 85% прошедшего времени поступает из этого цикла.