单Wave并行归约的共享内存写回问题及优化方案咨询

问题背景 #

在并行归约的实现中，处理最后2*WaveGetLaneCount()个元素时需要避免使用GroupMemoryBarrierWithGroupSync，对应的原始HLSL代码如下：

for (unsigned int s=groupDim_x/2; s>32; s>>=1) 
{ 
    if (tid < s) sdata[tid] += sdata[tid + s]; 
    GroupMemoryBarrierWithGroupSync(); 
}
if (tid < 32)
{ 
    sdata[tid] += sdata[tid + 32];
    sdata[tid] += sdata[tid + 16];
    sdata[tid] += sdata[tid +  8]; 
    sdata[tid] += sdata[tid +  4];
    sdata[tid] += sdata[tid +  2];
    sdata[tid] += sdata[tid +  1]; 
}

编译器会对这段代码进行优化，将共享内存的连续读写转换为使用局部变量暂存后一次性写回，这会破坏归约逻辑：

if (tid < 32)
{ 
    float ldata = sdata[tid];
    ldata += sdata[tid + 32];
    ldata += sdata[tid + 16];
    ldata += sdata[tid +  8]; 
    ldata += sdata[tid +  4];
    ldata += sdata[tid +  2];
    ldata += sdata[tid +  1];
    sdata[tid] = ldata;
}

目前已知一种修复方法是给每个内存操作添加if(tid < s)前缀，但这种写法冗余繁琐，请问是否有更简洁的修复方案？

补充提示 #

Shader Model 6环境下，应优先使用WaveActiveSum这类wave内在函数实现归约，而非WaveReadLaneAt和WaveGetLaneIndex。

内容的提问来源于stack exchange，提问作者Tom Huntington