为何x86平台MS C编译器下AVX2+FMA代码性能下降？

以下是求解开普勒方程的三种经典初始值计算函数，其中S3是代码简洁但时序表现异常的典型案例。问题出现在Microsoft C编译器的x86编译模式下：理论上更简单的S3函数在AVX2最高优化下的执行时间远长于S9函数，而Intel编译器无此问题（因Mingw的x87正弦函数问题无法测试GCC）。所有初始值函数的输入范围为：偏心率0 ≤ e ≤ 1，平近点角-π ≤ M ≤ π，这些经典函数由Gooding & Odel（1986）提出：

double S1(double e, double M)
{ 
  if(M>0) return M + e; else return M - e;
  // 最简单的初始值，最终保证收敛
}
// 当e趋近于1时，S3和S9都无法保证收敛

double Gooding_S3(double e, double M)
{
  return M + e*sin(M)*(1+e*cos(M));  
// 速度慢且实用性低，S9的精度高得多！
}

double Gooding_S9(double e, double M)
{
 // 原论文中的写法为 sin(M)/sqrt(1-2*e*cos(M)+e*e)
 // 这是Halley方法的一种形式，由E-M的简单二次近似求根推导而来，在e<0.7时表现优秀且速度快！
  double y;
  y = 1-e;
  if (M == 0.0) return M; // 防止除零
  double s = sin(M/2);
  return M+e*sin(M)/sqrt(y*y+4*e*s*s);  // 更精确的形式（当e趋近于1时误差极大）
}

快速统计操作数及类型后，理论执行时间应依次递增，但实际并非如此！S9有时反而更快（操作数统计可能存在误差）：

1. S1：仅加法操作
2. S3：两次加法、三次乘法，调用sincos
3. S9：一次减法、两次加法、五次乘法、一次除法，两次调用sin、一次调用sqrt

使用标准_cdecl调用约定的x86代码生成及MSC 2022编译器，得到S3与S9的时序如下（S1因函数调用开销约为8周期，AVX2下的74并非笔误，切换为x64代码则无此问题）：

已分离出x86代码生成中S3的AVX与AVX2差异片段，但无法理解为何AVX2性能更差，同时惊讶于S9的快速且稳定的时序表现，x64代码则性能稳定且更快，对此深感困惑。

以下是S3的快速AVX代码（无FMA）：

call        ___libm_sse2_sincos_ (0BF7D50h)    
vshufpd     xmm1,xmm0,xmm0,1  
vmulsd      xmm1,xmm1,mmword ptr [e]  
vmulsd      xmm0,xmm0,mmword ptr [e]  
vaddsd      xmm1,xmm1,mmword ptr [__real@3ff0000000000000 (0BFBFB8h)]  
vmulsd      xmm0,xmm1,xmm0  
vaddsd      xmm0,xmm0,mmword ptr [M]  
vmovsd      qword ptr [esp],xmm0  
fld         qword ptr [esp]  

以下是S3的慢速AVX2代码（使用FMA，优化效果不佳）：

call        ___libm_sse2_sincos_ (0672600h)  
 vmovsd      xmm2,qword ptr [e]  
 vpermilpd   xmm1,xmm0,1  
 vfmadd213sd xmm2,xmm1,mmword ptr [__real@3ff0000000000000 (0676F50h)]  
 vmulsd      xmm0,xmm0,mmword ptr [e]  
 vfmadd213sd xmm0,xmm2,mmword ptr [M]  
 vmovsd      qword ptr [esp],xmm0  
 fld         qword ptr [esp] 

现提出疑问：为何AVX2代码性能远低于AVX/SSE2，且仅在x86代码中出现此问题？同时寻求此类优化指令集反而导致性能下降的规避建议。该问题似乎与x86通过ST(0)返回浮点结果的旧链接约定有关，且可能与超越库函数调用相关。

内容的提问来源于stack exchange，提问作者Martin Brown