AVX代码拆分加载的性能损失及多维度影响因素技术问询

我正在优化一款数值仿真引擎的性能，主要通过重构内存布局与访问模式、重写内层循环等方式，最终借助微基准测试和CPU性能计数器开展性能对比。

我注意到，当编译器利用AVX2实现内层循环向量化时，性能会有显著提升，但同时CPU性能计数器MEM_UOPS_RETIRED.SPLIT_LOADS_PS的数值极高，Intel VTune显示该项瓶颈占比为100%。

这完全符合预期——该算法会读取数组的多个重叠“窗口”，因此输入数据几乎不会与缓存行对齐（算法本身不在本次问题讨论范围内）。按向量而非单个值加载时，这个问题会明显加剧。此类未对齐加载大多是算法必需的，因此使用AVX2时出现大量拆分加载并不意外。

根据Intel官方文档：

在整个内存层次结构中，数据以缓存行粒度移动——每行64字节。尽管这远大于整数、浮点或双精度等常见数据类型，但这些类型或其他类型的未对齐值可能跨越两个缓存行。近期Intel架构通过引入拆分寄存器处理此类情况，显著提升了“拆分加载”的性能，但拆分加载仍可能引发问题，尤其是连续大量拆分加载耗尽所有可用拆分寄存器时。

我尝试查找更多相关分析，但未找到针对性内容。通过site:stackoverflow.com split load AVX和site:stackoverflow.com AVX misalign cacheline进行检索，也未发现过往有针对性的相关问题。

我需要判断，是否值得手动重写AVX内层循环或在数据结构中插入填充以减少此类未对齐加载。若开销仅为10%，则此举纯属浪费时间。

想请教以下问题：

• 在AVX代码中，拆分加载相比无拆分加载的等效代码，性能损失大概有多大？
• 该性能特性在不同Intel CPU微架构（如Sandy Bridge、Haswell、Skylake、Icelake）之间是否存在差异？
• 不同向量大小（AVX-256与AVX-512）是否会造成区别？
• 不同工作集大小（L1、L2、L3、DRAM）下的开销是否有所不同？

内容的提问来源于stack exchange，提问作者比尔盖子