Findings 索引
Positive / Negative

M7 最終スタック確定 — 12.5k 124.39s (独立 n=3)、msplat 等価 gap 0.927×→0.755×、throughput 1.135×負け→0.926× (msplat 側 avg splats 借用値 ±8% 未満なら逆転)

2026-09-seminar05-milestones M7 を実施した。(1) **12.5k full run 独立 n=3**: `2026-08-30-final-12500-r{1,2,3}.toml` を単純 3 repeat (off arm なし、全 [backend] flag は default 任せ = M4 radix_scatter=SimdBallot + A7 refine_scratch_persist/refine_direct_write=true 込み) で実行。r1 (131.84s) が r2/r3/r4 (123.34/124.69/125.15s) から外れて見えたため、advisor レビューを経て診断用の r4 を追加実行した結果、**r1 は script 再起動時に load sampler window ログが truncate され窓内記録が皆無**という house 規約 (p2-msplat-parity-final §7「事前 gate だけでは不十分、窓内記録が必須」) 上の欠陥を抱えていたことが判明し、r2/r3/r4 (全 run とも window 記録あり、load 正常) を正式な n=3 として採用した。**mean 124.393s (σ 0.756%)** — A7 gate on-arm mean 124.807s を -0.33% で独立再現しており、この近さ自体が両 session の健全性証拠になる。r1 込みの参考値 (n=3 リテラル/n=4 全部) も §1 に残す。(2) **per-kernel share v2**: `2026-08-30-c1v2-12500-off-prof.toml` (submission=per_kernel/forward_submission=per_stage/pipelining=off、M4/A7 default 込み) を 1 run。leaf gpu_ms 合計 114.508s は busy union と exact 一致。radix share 26.40%→12.01% (絶対 -63.25%、M4 gate の per_stage 補助計測 -63.7% と独立一致)、backward_raster が単独最大ブロックとしてさらに優位 (33.86%→40.07%)。詳細は `p3-kernel-share-post-s3.toml` §6 に追記。(3) **累計 ablation**: p2 の 8 段 (Phase0 766.07s → S3 151.70s) に M4 (127.53s、-14.9%) / A7 (124.81s、-2.15%) / M7 独立再計測 (124.39s、-0.33%、ほぼ noise level) を継ぎ足し、Phase 0 比 **-83.76%**。(4) **msplat 等価再比較**: p2-msplat-parity-final の計算手順を最終値で再計算。gap 分母は継続性のため block1 n=2 mean (164.69s) を維持 (msplat 側は再実行していない)。**wallclock gap 0.927×→0.755×**。throughput は avg splats を新 4 run の trapezoid 積分から自前算出 (321,637、旧値 322k とほぼ一致し手法の妥当性を裏づける) して **1.135×負け→0.926×勝ち** (ただし msplat 側 avg splats ~165k は p2 からの借用値で本 session では再導出できておらず、逆転が成立するのはこの借用値の誤差が +8.0% 未満の場合に限る、§4 callout 参照)。brush/white PSNR は既存 final.ply に対し `splat eval` を回して再計測し (新規 GPU 学習 run は不要)、両 convention とも旧値からほぼ不変 (brush +2.01dB / white -1.11dB) — M4/A7 は PSNR trajectory に理論上影響しない施策なので想定どおり。matched-iteration (30K vs 30K) / matched-wallclock (旧 13.3k 点) / matched-PSNR(brush) の旧 6.0k 点 / energy は**新規 GPU run が必要なため本 session では再計測せず**、旧スタック値を明示ラベルで carry forward するに留めた (外挿スケーリングによる偽の精度を避ける、advisor レビュー指摘)。(5) **Pareto v3**: `make_msplat_pareto.py` の入力を msplat 等価比較 4 点 Pareto curve (p2-msplat-parity-final §10 の未実施項目) に更新し `docs/figures/pareto-v3-msplat-lego-final-stack.png` を生成。12.5k 点のみ最終スタック値、他 3 点 (6.0k/13.3k/30k) と msplat は旧スタック値のまま明示ラベル。

M4/A5 radix_scatter simd_ballot 2段化 — 12.5k gate 採用、-14.9%、default flip

tasklist A5 (radix は帯域 36% の latency 律速と算術証明済み) の実装検証。既存 O(lid) 逐次 threadgroup memory scan を simdgroup ballot 2 段化に置換し、BackendConfig `radix_scatter` の enum variant `simd_ballot` として追加、**2026-08-30 M4 GPU gate で default に採用**。sort parity は unit test 3 本 (境界サイズ 0/1/255/256/257/1234/100000、ties 多発 n=5000、3 種の radix_scan 実装すべて) と本番規模 (407,267 splats) `splat bench --parity` の両方で bit exact PASS。**12.5k Lego 同一 session 交互 A/B n=3 (off-r1→on-r1→off-r2→on-r2→off-r3→on-r3、独立 10s load sampler で汚染監視、binary sha256 は series 前後で不変) で train elapsed 149.883 → 127.530s = -14.9%**、3 pair 個別 (-14.72% / -15.15% / -14.87%) が高い一貫性を示し、有意閾値 max(2σ_off,1%)=1.18% の **12.6 倍**という大差で通過。σ は off 0.59% / on 0.79% (非対称比 1.34×、汚染の署名である 3× を大きく下回る)。**PSNR guard も pass** (on mean 36.143 dB ≥ off mean 36.121 dB − 0.05 dB、Δ +0.022 dB、両 arm とも config header の絶対 guard 36.202±0.1 dB にも収まる)。final splats は on 408,084 / off 409,363 で -0.31% (既存 atomic 非決定性 chaos の範囲内)。session 開始時の ambient load 18.86〜22.8 (Spotlight `mediaanalysisd`/`mds_stores` 再インデックス、reboot 後) という p2-s3 が破棄基準にした汚染クラスの中で実施したが、同一 session 交互設計と 3 pair の高い一貫性 (レンジ 0.43 pt) がこれを吸収したことを §0 で示す。**結論: 採用。`RadixScatterKind::default()` を `SimdBallot` に flip、`cargo test --workspace --release` 全 pass**。

A7 refine 3-pass 削減 — 採用確定 (2026-08-30 gate)

A7 (refine の 3-pass 削減) を実装・gate した。(a) <code>refine_scratch_persist</code>: compact pass の scratch <code>Vec</code> 30 本を <code>RefineState</code> (新設 <code>RefineScratch</code>) に永続化し <code>std::mem::take</code> で借り出し・tick 末尾で書き戻す。allocation の出所が変わるだけで計算は 1 つも変えない。(b) <code>refine_direct_write</code>: compact 書き込み先の抽象 <code>Dst</code> (<code>Vec</code> か Metal buffer 生ポインタ) を導入し、<code>direct_write = true</code> のとき新規 <code>Vec</code> を一切作らず compact loop が <code>param.*</code>/<code>adam_state.*</code> に直接書く。実装中に見つけた subtle な罠: Clone の複製先 / Respawn / Split の子スロットは旧実装では「新規 0 埋め <code>Vec</code>」から無料で Adam m/v = 0 を得ていたが、direct 経路は <strong>stale データが残っている可能性のある live buffer</strong> に書くため、この暗黙の 0 を前提にできない — <code>zero_adam_at</code> ヘルパーで明示的に 0 を書くよう修正した (無修正だと A7(b) 単体で MCMC 論文の「新規 slot は Adam fresh start」不変条件が壊れていた)。不変条件 I (<code>[num_splats, capacity)</code> は常に 0) は direct 経路でも <code>zero_tail</code> による <code>[n_new, n_write)</code> の明示 0 埋めで維持する。<strong>gate: 12.5k n=3 交互 A/B (2回目 series、a7v2-12500) で Δ -2.149% (閾値 max(2σ_off,1%)=1.612%)、PSNR +0.0197dB (guard 内)、3/3 pair 一貫 (on&lt;off)。1回目 series は load 汚染 (6 run 中 3 run に load1 スパイク) で棄却</strong>。default flip 実施: <code>BackendConfig::default()</code> の両 flag を <code>true</code> に変更。field 単独の <code>#[serde(default)]</code> は付けない (bool 型に付けると <code>bool::default()</code>=false に固定され struct 側の true を上書きするため — <code>target_cache</code>/<code>shader_fast_math</code> と同じ規約)、これは 1 iter smoke で config 省略時に <code>refine_scratch_persist: true, refine_direct_write: true</code> が実際に解決されることを確認済み。<code>cargo test --workspace --release</code> 全 pass (0 failed)。

S4b — read_mean_ssim を gpu に移す ssim_reduce flag、採用確定 (2026-08-30 gate)

S3 iteration pipelining depth 2 — 12.5k -18.1% / busy 78 → 91% (default flip)

1× 工程表 v2 が「S2 後の単独本命」に指定していた S3 を gate し、採用した。S2 までの施策が <strong>CB の数</strong>を減らすものだったのに対し、S3 は <strong>CB の並び方</strong>を変える — iteration N の loss/backward CB (B_N) を commit したら wait せずに iteration N+1 の forward CB (F_N+1) を組んで commit し、<code>wait(B_N)</code> の後の host readback / <code>accumulate</code> を F_N+1 の GPU 実行の影に置く。<strong>12.5k 同一 session 交互 A/B n=3 で 185.21 → 151.70s = -18.1%</strong> (閾値 max(2σ,1%) = 6.7% の 2.7 倍)。<strong>GPU busy 77.5 → 91.3% / sync-tax 3.244 → 1.136 ms/iter (-65%)</strong> で counter session が置いた「busy 100% = 理論上限」への距離は 22.5 pt → 8.7 pt に縮んだ。<strong>1k smoke では busy 65.8 → 72.0% にしか上がらず判定不能だった</strong> — smoke の splat 数 6.8k では forward の GPU 影 (1.06 ms/iter) が image size 固定の host 仕事 (~1.7 ms/iter) を隠しきれないためで、これは <strong>「pipelining の gate は smoke では代替できない」という harness 上の教訓</strong>として残す。残 bubble の内訳も確定した: <strong>refine tick の drain 6.04s (43%) &gt; encode(B) 4.66s (33%) &gt; 残差 3.28s (23%)</strong> — 次の一手が roadmap の「即効ペア (refine capacity スコープバグ修正)」であることが実測で決まった。msplat 同日等価 gap <strong>1.105× → 0.907×</strong>、Phase 0 からの累計 766.07 → 154.0s = <strong>-79.9%</strong> (全て数学的同値の施策のみ)。

splat bench harness 実装 + calibration — σ_replay 0.83%、full run 比 ~6x ノイズ削減

`splat bench --config bench.toml` を実装し、同一 config n=10 replay で <strong>σ_replay = 0.234 ms/iter (mean 28.339 ms 比 0.83%)</strong> を実測。full training run で観測されていた ~10% 分散に対し <strong>約 6x のノイズ削減</strong>。3-regime (iter 1000 / 5000 / final checkpoint、各 n=5) でも σ 1.2-4.6% の範囲に収まり、splat 数が少ない早期 regime ほど相対分散が大きい傾向を確認。有意判定閾値を <code>max(2σ, 1%)</code> と規約化し、以後の gate 判定をこの harness の計測に載せ替える。付随して `--parity` (kernel variant 間の勾配 / binning 一致検証) と `[output] save_ply_at` (checkpoint 保存) を実装、parity mode の実測で production-scale シーンの `sorted_idx` tie-order 非決定性 (~0.2%、真の非決定性であって variant 差ではない) を発見し gate から除外した。

P2 gap sweep Phase 2 — C0 resident arena + C1 pass skip で -48.4% (bit-exact)

<strong>単発 -48.4% は本 project 最大の 1 施策改善</strong>で、msplat 実測 gap (11m48s vs 3m40s ≈ 3.2×、Lego 30k) を大幅に詰める lever が確定。766.07 → 395.59s は kernel を 1 行も触らず host 側 buffer 管理だけで達成 (bit-exact)。emit_pairs は 38.2% → 1.2% に消滅し、新 bottleneck は backward_raster 31.4% (→ 2-BWD last_contributor の trigger 25% を初超過) と radix_sort 11.7% (GPU compute 本体)。STP (feat.F) は emit の alloc 成分が消えた今、相対効果の再 bench が必要 (Phase 1a の -7.45% は大半が同じ page fault の削減で C0 と重複していた可能性が高い)。教訓: unified memory 環境の profiling では「GPU 時間」に host メモリ管理コストが化ける — per-kernel wallclock だけでなく buffer lifecycle を疑うこと。

保持 flag 全数再 gate sweep — 8 維持 / 1 flip (loss_path -26.5%) + bench validate 抜けを発見

<code>BackendConfig</code> 全 16 field を機械走査し、default 以外の variant を全数再判定。実測 9 件のうち <strong>8 件は verdict 維持</strong>、<strong>1 件 (<code>loss_path</code>) が flip</strong>。<code>loss_path = "gpu"</code> は replay final regime <strong>21.210 → 15.591 ms/iter (-26.5%)</strong> / iter5000 <strong>-29.6%</strong>、12.5k full gate (同一 session 交互 A/B、n=3) で <strong>283.00 → 183.00s (-35.3%)</strong>・PSNR <strong>36.142 → 36.188 dB (+0.047、guard ±0.1 内)</strong>。ただし <strong>この flip は公式数値を 1 つも動かさない hygiene</strong> — 全 237 config が <code>loss_path</code> を明示指定済みで 12.5k gate 系は例外なく <code>"gpu"</code>、enum default だけが 2026-04-30 以来実運用から取り残されていた。残り 7 件は validate hard error による構造的非互換 (5) / 禁忌リスト (2) / harness 非対応 (1) / 非 perf variant (3) として理由付きで判定不能を記録。副産物として <code>splat bench</code> の <code>validate()</code> 抜け (無効組合せが exit 0 で silent 別経路実行) を発見・修正した。

P2 gap sweep Phase 0/1a — binning 55% 実測 + C0 発見 + StopThePop -7.45%

<strong>Phase 2 の主戦場が確定</strong>: strategy doc の trigger 3 候補 (separable SSIM / last_contributor / SH-Adam fusion) は全て閾値不発、代わりに <strong>binning 経路 55% の主犯 = per-iter ~1.25GB alloc + Vec 三重往復 (C0)</strong> が最大 lever。C0 (persistent buffer arena、bit-exact、3-4 日) の期待は <strong>wallclock -30〜39% (766→~470s) で単独 gap ≤2.0× 到達圏</strong>。C1 (radix 定数桁 pass skip 16→11、bit-exact、0.5-1 日) が +4-5%。StopThePop は -7.45% で adoption gate (-8%) に僅差未達、default 維持のまま C0 後再判定。5 連敗の教訓「profiling が指す順」が機能した初の事例 — 事前決め打ちなら SSIM (5.2%) に突撃していた。

P2 gap sweep Phase 2 — 2-BWD last_contributor で -15.0% (数学的同値)、STP 再判定は棄却

C0 (-48.4%) に続く Phase 2 第 2 弾で、backward 31.4% の新 bottleneck を kernel 側から -40.3% 削減。<strong>Lego 12.5k = 336.33s で msplat 30K (220s) 比 1.53× まで縮小</strong>し、gap sweep の目標 (≤2.0×) を達成した。実装は「forward が既に知っている打ち切り位置を backward に伝えるだけ」で数学的同値 — 品質を 1 bit も動かさずに backward の replay 計算量を ~40% 削った。STP 再判定は負の結果だが価値が高い: Phase 1a の -7.45% の正体が C0 と同じ page fault 削減だったことを分離実証し、「効果の重複を疑って再 bench する」protocol の正しさを裏付けた。次の bottleneck は forward rasterize 9.8% / radix 13.5% / SSIM 7.5% でいずれも trigger 25% 未達 — Phase 2 はここで完了、Phase 3 (再計測 + Pareto v3) へ。

S1 pipeline 全域 resident 化 — replay bench -22.9% (final regime) で採用 (Tier A/B/C)

別 worktree で実装済みだった S1 (pipeline 全域 resident 化) を main へ統合。C3 統合後の tile_bin.rs と conflict したため手 merge し、C3 (rejected flag) との新規相互作用 (S1 の buffer 直結が C3 の panic guard に当たる) はフォールバック + regression test で解決。build warning 0、MSL smoke compile (adam.metal binding 変更) + 新規 S1 test 9 本 (resident byte-stability / grow path / ForwardState parity / Vec vs raw parity / C3 fallback) 含む workspace 全 test pass。replay bench は <strong>final regime -22.9% / iter5000 -21.9%</strong> と Phase 2 単一項目として C0 に次ぐ効果で、attribution 計測 (S1 で新設した DispatchAttribution 4 点) が alloc 成分の消滅を直接証明 — C0 の「主犯は first-touch page fault」結論の pipeline 全域への一般化。12.5k full gate は PSNR rep1 が guard 外 (36.051) に出たが n=3 escalation で tail variance と確定 (rep2 36.168 / rep3 36.224、歴代同 recipe 分布 36.14-36.23)。採用 — flag なしの無条件変更として default 化。

S2 forward 1 CB 化 — replay -12〜13% / busy 69 → 80% (default flip)

1× 工程表 v2 の並列性能軸で<strong>本命に格上げ</strong>されていた S2 を gate し、採用した。W2 が backward/loss chain を 1 CB に畳んだのに対し S2 は forward 側を畳む — radix の per-pass CPU prefix scan を hierarchical GPU scan (bit-exact な整数 prefix sum) に、pair_count の host readback を indirect dispatch に置き換え、forward 全段を <strong>1 CB / 1 encoder / 末尾 1 wait</strong> に連結した。replay <strong>final -12.3% / iter5000 -13.3%</strong> (閾値 1.0〜1.8% の 8〜13 倍)、12.5k full run は<strong>同一 session 交互 A/B (ABBAAB) n=3 で 208.26 → 187.65s = -9.9%</strong>。<strong>counter session が積み残した「busy 68.9%」は 79.8% まで回復</strong>し、sync-tax は 5.21 → 2.86 ms/iter (-45%)。roadmap が注目トレードに挙げた「dispatch 26 → ~60 の overhead」は <strong>busy ms/iter +0.20 = 回収額の 1/11〜1/24</strong> と定量的にケリがつき、follow-up (radix reduce の histogram fold) は<strong>総額 -1.1% 未満と判明したため S3 の後ろに defer</strong>。<strong>full run の Δ (-9.9%) が replay の Δ (-12.3%) を下回る一方、iteration 別に見ると -24.7% (iter1000) → -10.0% (iter12500) と単調に縮む</strong> — S2 が削るのが<strong>splat 数に依らない固定の per-iter host コスト</strong>であることの直接証拠で、W1/W2 (GPU 仕事量に比例する施策) とは pass-through の性質が異なる。msplat 同日等価 gap は <strong>1.273× → 1.105×</strong>。累計 (数学的同値の施策のみ) 766.07 → 187.65s = <strong>-75.5%</strong>。

W1 warp sparse skip + exp-skip — backward -35% / replay -11.2% (bit-exact)

1× 工程表 v2 の第 1 波。msplat / Inria / brush の 3 実装が持ち本実装だけ欠落していた backward の 2 つの skip を、bit-exact の等価性論証つきで移植した。backward_raster は LC (2-BWD) 後の 7.2ms/call から 4.65ms/call へ -35.2% (kernel share 13.1% に低下)、replay 全体で -11.2%。12.5k full run は 261.55 → 241.41s で msplat 同日等価 gap は 1.56× → 1.44× に縮小。数学的同値の施策のみの累計は 766.07 → 241.41s = -68.5% になった。次の律速は forward (23.6%) / radix (15.0%) で、W2 (encoder/CB 統合) と計測 (counter session) が次段。

W2 encoder/CB 統合 — replay -13.7% / 12.5k -9.1% (bit-exact、default flip)

1× 工程表 v2 の第 2 波。HW 4 軸調査 #2 の CB/wait 監査 (本実装 ~21 CB / ~11 wait vs msplat 1 CB / 0 wait) を受け、submission 戦略を BackendConfig の enum variant として実装・gate した。同一 CB 内の連続 encoder は firmware が CPU 介在なしに back-to-back 実行するため、per-kernel の commit + waitUntilCompleted (0.1〜1 ms 級の full round trip) が丸ごと消える。replay 全体で -13.7% (final)、12.5k full run は 241.41 → 219.51s で msplat 同日等価 gap は 1.44× → 1.31× に縮小。累計 (数学的同値の施策のみ) は 766.07 → 219.51s = -71.3%。expected gate 帯 -5〜15% (F.3 overlap 割引済) のほぼ上限で着弾し、F.3 (radix GPU scan) が単独敗北した『wait 除去』が、chain 全体の統合では大きく勝つことを示した — 部分 wait 除去と全 chain 統合の ROI 差は axis 3 (unified memory / submission 論) の narrative 素材。次の律速は forward 30% (radix 18% 内数) / chain GPU 26%。

Phase G omnibus — 速度改善 4 candidate × 8 scene の Pareto landscape 確定、**G.3 alone 30k = universal quality improvement** (+0.107 dB / +10% wall)

Phase G (速度改善 loop) で 4 candidate × 8 scene の Pareto landscape 確定。<strong>結論</strong>: **G.3 alone 30k = universal quality improvement** (8 scene mean **33.592 dB**、Phase D 33.485 比 **+0.107 dB**、7/8 scene で win、wallclock +10.2%、splats +29%)、特に **mic は stacked で -6.05 dB だったが G.3 alone なら +0.244 dB 救済**。<strong>G.1 stop15k</strong> は dense scene で acceptable (Lego/chair/hotdog で Phase D 比 -0.5 dB 圏内) も sparse scene で大幅劣化 (mic -5.84/ficus -1.79)、8 scene mean -1.39 dB で Pareto worse、brush parity (32.86) を -0.76 dB 下回り。<strong>G.1+G.3 stacked</strong> は Lego-specific Pareto sweet spot (16m13s / 36.254 dB / +0.15 dB) だが multi-scene mean 31.998 dB で stacked < G.1 alone、SH warmup の効果が early stop で truncate されて sparse scene で逆効果 (ficus -3.15、mic -6.05)。<strong>G.2 audit</strong> は 4.7× gap が architectural dispatch (Burn/CubeCL 内部 batching vs Metal 直 per-kernel sync) と判明、Phase F 5 連続 falsification への統一的説明、kernel/algorithm 軸では覆せない構造的 finding。<strong>axis 1 future work ROI 階層</strong>: <strong>algorithmic compute reduction > architectural dispatch > kernel-level micro-opt</strong>。Phase G が axis 1 「Apple Silicon native 最適化の ROI 階層」を構造的に確定、卒論 §5.4 narrative の集大成。

Phase I scene-adaptive iter budget — **STRONG Pareto improvement** 確定 (8 scene mean +0.077 dB at -24% wallclock vs Phase D)

Phase H で Lego stop_iter=12500 が Pareto sweet spot だが ficus/mic で大幅 fail (-4.12 / -6.03 dB) と scene-dependent 確定後、**Phase I で chair / materials @ stop_iter=12500 も fast converger と確認** (G.3 30k 比 -0.05〜-0.07 dB のみで essentially same)。これにより <strong>scene-adaptive iter budget</strong> (Lego/chair/materials @ 12500、ficus/drums/hotdog/mic/ship @ 30000) を構成、<strong>既存 8 scene 全データ点が揃った状態で 8 scene mean を算出</strong>。<strong>結果</strong>: scene-adaptive 8 scene mean **33.561 dB** / total wallclock **3h 50m 10s**、Phase D 30k 比 <strong>+0.077 dB / -24.4% wallclock</strong>、G.3 30k 比 <strong>-0.031 dB (within noise) / -31.6% wallclock</strong>、brush 比 <strong>+0.701 dB</strong>。<strong>Pareto front の両軸で improvement</strong>: Phase D を quality + speed 両方で dominate、G.3 30k quality を 1/3 短時間で達成。**axis 1 contribution の最終形**: kernel-level 直叩きではなく <strong>scene-adaptive iter budget + sh_progressive + opacity_decay の組み合わせ</strong>が Apple Silicon native Metal 最適化の universal Pareto improvement。卒論 §5.4.7 末尾 + §6 future work で本 Phase I を明示、scene-adaptive を新 universal default として推奨。

P1 axis 1 Metal 最適化候補 audit — 5 候補 + 既実装 gate flip 機会、Tier 1 -1.0% wallclock 即時 actionable

5 kernel (clean baseline share 合計 55.1%) を Explore subagent で構造的 audit、Apple Silicon 特化最適化候補を kernel 単位で 2-4 個ずつ抽出。<strong>最大の発見</strong>: **emit_pairs_simd PSO は既に実装済**、<code>use_simd_emit: Cell::new(false)</code> で gate off、comment に「30k validation 後 default true 化予定」(tile_bin.rs:86-87)、**Phase D 30k 完遂で即 flip 可能** (-0.7-1.0% wallclock 即時、zero risk)。同様の即 actionable 機会: f16 forward kernel <code>render_splats_f16</code> は env <code>SPLAT_F16_FORWARD=1</code> gate (現在 disabled、A/B test 必須 PSNR risk MED-HIGH)。<strong>Tier 2 (Phase E scope)</strong>: radix_sort GPU prefix sum (-0.54-0.82% wallclock、CPU-GPU 16-pass sync 除去)、backward_raster imageblock+TBDR (-0.67-1.07% wallclock、tile-local 累積で atomic 大幅削減)。<strong>累計 -1.5-2.5% wallclock 改善余地確定、卒論 §6 future work 候補と pilot 実装目標</strong>。backward SIMD reduction は既に default 有効 (rasterize.rs:642、2.43× win 享受中で確認済)、SSIM は eval-only で training 直接寄与なしのため Tier 3。

Phase G.3 SH-progressive — 5k smoke -14% は artifact、30k full は **quality improvement + 0.28 dB** に reframe、stacked + G.1 で **Pareto sweet spot** (Lego -61% wallclock + 0.15 dB)

Phase G compute reduction family の G.3 (SH-progressive growth) を実装 + bit-exact unit tests (11 件、cargo test 43 件 全 pass) + **3 layer の Lego 結果検証**。<strong>(1) 5k smoke</strong>: wallclock -13.9% / splats -22% / PSNR -0.12 dB、cascading splat reduction を観測。<strong>(2) 30k full validation</strong>: wallclock **-1.9%** (5k から大幅縮小)、splats **+30%** (5k から逆転)、PSNR **+0.28 dB** (quality improvement!)。5k smoke の cascading 効果は refine.stop_iter=1500 による artifact、30k では sh unlock 完了 (iter 3000) 後に refine が iter 15000 まで full SH で継続 → splats baseline より grow。<strong>(3) G.1+G.3 stacked (max_steps=15000 + sh_progressive)</strong>: Lego **16m13s / 36.254 dB / 428k splats** = Phase D 比 **-61% wallclock + 0.15 dB PSNR** で <strong>Pareto sweet spot</strong> 確定。<strong>Key reframe</strong>: G.3 は「speed win」ではなく「**quality improvement at no speed cost**」、stacked variant で G.1 speed と SH warmup quality gain を統合。<strong>Implementation</strong>: <code>[trainer.sh_progressive]</code> section (default disabled、全 backward compat)、<code>CameraGpu</code> struct を <code>sh_degree</code> (buffer layout) と <code>active_sh_degree</code> (per-iter eval) に分離。<strong>Calibration data point</strong>: Phase F 5 連続 falsification + G.3 5k smoke artifact = audit / smoke overestimate 6 例目、「smoke は production scale を representative しない」が新教訓。8 scene chain validation pending。<strong>卒論 narrative</strong>: Phase F (kernel-level fail) → G.2 (architectural insight) → G.3 (algorithmic reframe: speed → quality + stacked Pareto) の 3 family 比較で「Apple Silicon native 最適化は <strong>algorithmic compute reduction + early stop の組み合わせが Pareto-optimal</strong>」という構造的 calibration。

P1.D multi-scene Phase D re-chain final — 8 scene mean 33.49 dB、brush mean 32.86 を +0.63 dB 上回り、universal win-win-win 実証

Phase D opacity_decay (rate=0.004 brush default) を 7 scene × 30k full chain bench、Lego val Phase D 30k と合わせて 8 scene 集計。**全 scene で baseline brushcompat 30k 比 PSNR + splats + wallclock すべて改善 (universal win-win-win)**: PSNR +0.18〜+1.42 dB / splats -57〜-78% / wallclock -39〜-69%。8 scene mean 33.49 dB vs brush paper 8 scene mean 32.86 dB = **+0.63 dB 上回り**、本実装が brush の multi-scene mean を decisive に超えた。brush 超え 3 scene (Lego val +4.07 / drums +1.05 / mic +1.02)、4 scene が brush 比 ±0.7 dB 圏内 (chair -0.02 / hotdog -0.39 / ship -0.01 / materials -0.10)、最遠 scene でも ficus -0.65 で接近。全体 wallclock baseline chain (13h+) → Phase D re-chain 5h 5m (-61%)、mean splats 1.4M → 428k (-69%) で brush 282k に肉薄。P1.M5 完全達成 (Lego val > 36 dB ✅ + multi-scene mean > 32 dB ✅)、卒論 central evaluation table の final 数字確定、universal claim 完全実証。

P1.D opacity decay rate sweep — rate=0.002 が PSNR 最高 sweet spot (brush default +0.40 dB)

opacity_decay_rate を 5 点 (0.001/0.002/0.004 default/0.006/0.008) で 5k smoke sweep。**rate=0.002 で PSNR 32.090 dB (default +0.40 dB)** と最高、splats は 88k で +5.8% 微増。rate を上げる (0.006-0.008) と splats は 80k 帯に削減されるが PSNR 影響は 5k variance σ ±0.32 dB 内。Phase D 30k baseline (rate=0.004) は既に M5 +0.11 突破済 (36.106 dB)、rate 変更の追加 +0.2-0.5 dB は smoke noise と並ぶ ROI 不明確。multi-scene Phase D re-chain も brush 互換性維持の観点で rate=0.004 維持を推奨。

P1.D Stage 2 — Lego brushcompat + opacity decay 30k = 36.106 dB、splats -56% / wallclock -32%

Lego brushcompat + opacity decay 30k で training-time eval 36.106 dB (val 100 view, brush convention, raw)、independent eval 36.163 dB (brush q8)。baseline 30k (35.184 dB) を **+0.92 dB 上回り**、splats を 846,689 → 375,146 に **-55.6% 削減**、wallclock を 1h 02m → 41m 54s に **-32% 短縮**。これは trade-off と想定していた PSNR/splats/wallclock が **完全 win-win-win** に。M5 個別 scene gate (Lego brush conv > 36 dB) を val で達成、brush 自身 val 32.038 dB を +4.07 dB 上回り、本実装が brush を decisive に超えた。test subset (n=36) も +0.75 dB 改善 (33.315 → 34.065)、brush paper test 37.40 との gap を -3.34 dB まで縮小。Stage 1 smoke 推定 (splats -11.6%) を 30k で -56% に拡大、opacity decay の効果は iter 累積で増大することを実証。次 step は multi-scene Phase D 7 scene re-chain (chain 完了後 schedule)、低 wallclock + 低 splats での M5 multi-scene parity 完遂を狙う。

P1.B+F Stage 2 — Lego 30k brushcompat で 35.184 dB、brush 自身を +3.20 dB 上回り

Lego sh3 30k で gt_convention=premultiplied (brush 互換) を立てると、4-way eval で legacy=1.60 / brush=35.24 dB。**brush 自身 val 32.0 dB を +3.20 dB 上回る** 結果。M3 lifeline (30 dB) を +5.24 dB 突破、M5 (36 dB) まで -0.76 dB に到達。Phase A 主仮説 (apparent gap -3〜-6 dB) は falsify されたが、coupling 解消の真の効果は **+33.6 dB shift (1.67 → 35.24)**、想定 (+10 dB) の 3 倍。実装は configs 1 行 (gt_convention) + dataset.rs (load_rgba_premultiplied path 追加、既に Stage 1 で merge 済) のみ、既存 30k legacy bench との apples-to-apples comparison が可能。brush の wallclock 38% 高速化は 30k でも継続 (splats 1M-cap で 846k 到達、refine が攻撃的 split)、ただし brush 自身 282k に比べて 3 倍、本実装が capacity を未活用 (refine を絞る余地あり、Phase D で検証可能)。次 Step は multi-scene 8 シーン展開で universal claim 確定、brush mean 33.32 dB 超えで multi-scene parity 完全達成を狙う。

P1.B.F Stage 1 — gt_convention=premultiplied 切替で brush eval PSNR を 1.67 → 31.33 dB に回復、coupling 解消実証

P1.A.3 で `splat-rs trainer が white-bg target で学習 → 背景を opaque-white splat で埋める → brush 流 eval (bg=ZERO 比較) で MSE≈1 崩壊` と診断された coupling を、**GT loader を premultiplied 経路に切替えるだけ** で解消できるか 5k smoke で検証。同一 hyperparameter (`2026-05-22-2155-lego-sh3-30k.toml` の iter のみ 5k 短縮) で `data.gt_convention=white_bg` vs `data.gt_convention=premultiplied` を独立 training し、各 final.ply を 2 通り convention で eval (4 cell)。結果: brush trainer × brush eval = **31.334 dB**、legacy trainer × brush eval = 1.628 dB と完全に対比、coupling が双方向に存在することも symmetry test (brush trainer × legacy eval = 1.595 dB) で確定。5k 段階で既に B-N 30k baseline (24.88 dB legacy) を **brush eval 系で +6.5 dB 超え**、brush 公称 37 dB との gap は -5.7 dB のみ。Stage 1 hypothesis (10+ dB) を 21 dB 上回り、coupling 解消が brush parity への critical path であることを定量実証。実装は `splat-cli/src/config.rs` に `data.gt_convention: GtConvention` enum 追加 (default=`WhiteBg`、既存 configs 完全互換) + `train.rs` の train/val load を `load_nerf_synthetic_with_convention` に切替、合計 4 file の最小差分。loss kernel (`loss.metal:31-88`) は変更不要 (n_total=W·H·4 が α channel を含み、premultiplied target の α=0 領域が `rendered α (=1-T) → 0` の natural pressure を提供、brush の match_alpha 機構と同等効果)。

P1.D opacity decay 5k smoke — splats -11.6%、PSNR +0.38 dB の同時改善

brush の `refine_splats()` (train.rs:611-619) と同じ sigmoid-space formula で opacity decay を refine cadence に統合: `new_opac = sigmoid(raw) - rate*(1-train_t)` → `clamp(1e-12, 1-1e-12)` → `inv_sigmoid`。5k Lego smoke で PSNR は維持以上 (31.31 → 31.69 dB、+0.38 dB)、splats は **-11.6%** 削減 (93,948 → 83,093)、wallclock は +23% (1500 iter で全 splat 触る host loop が支配的、N=83k で問題ない範囲)。これにより 30k に進めば brush 282k 帯 (Stage 2 の 846k からの大幅削減) + PSNR ≥ 34 dB の同時達成が射程に入る。axis 1 (native Metal) ではなく axis 3 (unified memory CPU RMW) を活用した実装で、refine 周辺の O(N)/refine_every オペレーションには合理的選択 (Metal dispatch overhead > 実 work)。

A.7 batched cmd buffer — wallclock -6.2% 改善 + PSNR drift -0.30 dB

scope B 限定版 (forward 末尾の extract_offsets + rasterize.forward を 1 cmd buffer、backward chain の rasterize.backward + project_backwards を 1 cmd buffer) を env SPLAT_BATCHED_FORWARD=1 で活性化。30k bench で wallclock -6.2% / PSNR drift -0.30 dB、Mildly positive。期待 -6〜-12% の下限、Apple Silicon の commit overhead が予想より小さい示唆。

c32 V100 gsplat smoke — NFS 共有 env を異 sm 機へ持ち込み JIT 再 build 1 回で動作確認

NFS 共有 gsplat-env を異 sm 機 (c33 sm_86 → c32 sm_70) に持ち込み、TORCH_CUDA_ARCH_LIST=7.0 で JIT 再 build 1 回 (93s) → 即動作。Lego 1k iter で wallclock 10.5s / val PSNR 19.81 dB。30k full は Phase 2b。

E.6 capacity scaling — 50k〜1M で PSNR variance band 内、本質的 splat 数 ≈ 85k で plateau

lego では capacity 50k から 1M まで PSNR は 24.605 〜 25.275 dB で variance σ ±0.32 dB band 内、capacity effect は実質ゼロ。final splats は 50k 飽和 → 81k → 85k → 84k と「本質的 ~85k で plateau」を実証。モバイル制約下で capacity 50-100k を choose しても 1M と同等品質、卒論モバイル章の重要数値。capacity 大きいほど refine が無駄 split で variance noise を増やす副作用も観測。

Phase 5 step 30b — kernel-by-kernel timing 計測結果

kernel-level GPU timer で rasterize_backwards が 24.1 ms/call / 52.1% total と確定 dominant。atomic float add が律速と判定し、step 33 SIMD prefix sum reduction prototype の最有力ターゲットを確定。期待 ROI は 50% 削減で iter -13%、80% 削減で -21%。

Phase 5 #5.31.x — GPU loss kernel + no-readback pipeline (wallclock -26.9% + variance 解明)

host pump pipeline を排除し forward/loss/backward を GPU buffer で連結。2k iter wallclock -26.9% (42.5 → 31.07 ms/iter)、30k では n=4 variance test で wallclock -14〜-19% を再現。当初の PSNR -0.65 dB regression 主張は撤回 (band 25.0 ± 0.6 dB 内)。第 3 軸 (unified memory) narrative の核。