如何分析Zen4上AVX-512双精度计算的指令流水线？

我已获得AMD Zen4服务器的访问权限，测试了AVX-512打包双精度计算的性能。选用调和级数（即正整数的1/n求和）作为测试场景，对比了标准双精度、AVX2（4个打包双精度）和AVX-512（8个打包双精度）的性能表现。

AVX2版本比标准双精度版本快4倍，但我原本预期AVX-512版本比AVX2版本快2倍，实际运行时间几乎没有明显提升：

Method                          Runtime (minutes:seconds)
HarmonicSeriesPlain             0:41.33
HarmonicSeriesAVX256            0:10.32
HarmonicSeriesAVX512            0:09.82

为排查该现象，我测试了单独的除法运算，结果如下：

Method                  Runtime (minutes:seconds)
div_plain               1:53.80
div_avx256f             0:28.47
div_avx512f             0:14.25

有趣的是，div_avx256f耗时28秒，而HarmonicSeriesAVX256仅需10秒完成——后者执行了更多操作（对结果求和并每次递增分母，打包除法的次数相同），这种加速必然源于指令流水线的优化。

不过，我需要帮助获取更深入的分析细节。

使用llvm-mca（LLVM机器码分析器）进行分析失败，因为它尚不支持Zen4：

gcc -O3 -mavx512f -mfma -S "$file" -o - | llvm-mca -iterations 10000 -timeline -bottleneck-analysis -retire-stats
error: found an unsupported instruction in the input assembly sequence. 
note: instruction:     vdivpd %zmm0, %zmm4, %zmm2

在Intel平台上，我会使用perf stat -M pipeline binary来获取流水线细节，但该指标组在Zen4上不可用。我已尝试以下perf stat事件：

cycles,stalled-cycles-frontend,stalled-cycles-backend,cache-misses,sse_avx_stalls,fp_ret_sse_avx_ops.all,fp_ret_sse_avx_ops.div_flops,fpu_pipe_assignment.total,fpu_pipe_assignment.total0,
fpu_pipe_assignment.total1,fpu_pipe_assignment.total2,fpu_pipe_assignment.total3

从结果中可以看出该工作负载属于后端受限，AMD的性能事件fp_ret_sse_avx_ops.all（已退役的SSE/AVX操作数）有一定帮助，但我仍希望更深入了解Zen4的指令流水线，有什么可行的分析建议？

内容的提问来源于stack exchange，提问作者Jirka