P1.E refine GPU 化 hypothesis を SPLAT_TIMING profile で falsified — refine 寄与は <1%、真の bottleneck は forward 60% + loss 28%

本 Phase E は task framing「refine の host RMW loop が wallclock -5x の余地」を SPLAT_TIMING profile で falsified させた。5k smoke の breakdown で refine 系 ops の合計寄与は <1%、真の bottleneck は forward 60% + loss 28%。代わりに demo kernel として `refine_opacity_decay.metal` を実装し kernel plumbing pattern を validate、Phase F (真の bottleneck) に向けた forward subdivision profile を残した。卒論 axis 1 narrative の「Metal kernel 直叩きの limit」を測定値として確定する負の finding。

1. SPLAT_TIMING profile (5k smoke、Lego brushcompat opacity_decay 0.004)

2. 仮説 vs 実測 (refine GPU 化 ROI)

3. 実装内容 (demo kernel + instrumentation)

1. shaders/opt/refine_opacity_decay.metal: brush 互換 opacity decay (sigmoid-space) を element-wise kernel として実装。30 行 MSL、1 thread / 1 splat。
2. crates/splat-metal/src/kernels/refine.rs: `RefineOps` struct (Library + PSO 保持) + `dispatch_opacity_decay()` (adam.rs と同 pattern)。3 unit tests (CPU と max diff 1.5e-5、minus_opac=0 no-op、100 splat ramp 検証) all pass。
3. crates/splat-metal/src/kernels/mod.rs: `pub mod refine;` 追加。
4. crates/splat-train-v1/src/config.rs: `RefineConfig.gpu_path: bool` 追加 (default false で backward compat)。
5. crates/splat-train-v1/src/trainer.rs: `Trainer.refine_ops: RefineOps` field 追加、`forward_with_state` に 5 つの timing::record 挿入 (`ts_fwd_project / _emit / _sort / _offsets / _rasterize`)。
6. crates/splat-train-v1/src/train_loop.rs: `SPLAT_TIMING=1` env で `timing::enable()` + 終了時 `print_summary()`、refine cadence ブロックに `ts_refine_accumulate / ts_refine_compact / ts_opacity_decay[_gpu] / ts_opacity_reset / ts_mcmc_noise` を追加、`refine.gpu_path` flag で opacity_decay GPU 経路に分岐。
7. configs/2026-05-25-p1-e-profile-{1k,5k}.toml: SPLAT_TIMING 計測用 config (gpu_path = false)。
8. configs/2026-05-25-p1-e-gpu-decay-5k.toml: gpu_path = true smoke。CPU baseline 31.92 dB vs GPU 31.71 dB (-0.21 dB / 許容 ±0.5 dB)、wallclock 144→146s (+1.4% noise)、final splats 84629→84236 (-0.5% / bit-close prune cascade)。

4. GPU/CPU bit-close 検証 (unit tests + 5k smoke)

5. 卒論 narrative としての価値 (negative finding の axis 1 限界)

6. Phase F target (refine GPU から切り替える)

1. tile-binning chain (forward 内 28%): `ts_fwd_emit 12.7% + ts_fwd_sort 15.6% = 28.3%` が 5k smoke で wallclock の 1/3 弱。brush は radix sort を GPU 完結 (CPU 16-pass exclusive prefix scan を 1 cmd buffer に統合) しているとされ、本実装は radix の 16 pass 間で CPU 介在あり (trainer.rs:154 周辺、A.7 ICB batching の対象外区間)。Phase F の中心 target。
2. Adam 5x sequential cmd.wait_until_completed: `adam.rs::step_buf` line 200 で 5 component それぞれに `cmd.commit() + wait_until_completed()`。1 cmd buffer に統合すれば 5x → 1x wait で `ts_adam 4.8%` の 50-80% 削減見込み (-2〜-4% wallclock)。
3. ts_target_upload preload (3.9%): 毎 iter で同じ GT image を host → GPU に upload。100 view × 800×800×4 = 256 MB と shared memory 上の cache に乗る規模、起動時 1 回の upload に変更で -4% 期待。brush も同様の preload を実装している (要確認)。
4. Phase E で残した負の finding を卒論 axis 1 章の冒頭に配置: 「Metal kernel 直叩きの limit を測定する」セクションで p1-e-refine-gpu-smoke profile table を引用、Phase F の選択肢を実測値で justify する narrative 構成。

7. 再現手順

# 1. Build (Phase E 実装含む)
cd splat
cargo build --release -p splat-cli

# 2. 5k smoke CPU baseline (gpu_path = false) + timing
SPLAT_TIMING=1 ./target/release/splat train --config configs/2026-05-25-p1-e-profile-5k.toml
# → ts_refine_compact 0.6% / ts_opacity_decay 0.005% / ts_forward 60.1%
# → val PSNR 31.92 dB, wallclock 144s

# 3. 5k smoke GPU path (gpu_path = true, opacity_decay GPU 経由)
SPLAT_TIMING=1 ./target/release/splat train --config configs/2026-05-25-p1-e-gpu-decay-5k.toml
# → ts_opacity_decay_gpu 182µs/call (CPU 87µs より遅い、dispatch overhead で逆転)
# → val PSNR 31.71 dB, wallclock 146s, splats 84236

# 4. unit tests (kernel bit-close)
cargo test --release -p splat-metal --lib refine
# → 3 tests pass (max diff 1.5e-5)

8. 想定外 / 教訓

• 仮説検証ステップを skip して kernel コードを書き始めなかった: advisor の初回助言で「SPLAT_TIMING で profile してから kernel 選定すべき」と指摘され実行、結果として `refine fully GPU 化` の前提が崩れることを 30 分で確認できた。実装を 1-2 日かけてから「効かない」と気付くより 1 桁効率的。
• negative finding は積極的に文書化する: 卒論 narrative では「Metal kernel 直叩きの limit を測定値で示す」セクションがあると、axis 1 の正当性が「無闇に GPU 化」ではなく「実測根拠ベースの選択」として強化される。
• GPU dispatch overhead は 100µs オーダー: opacity_decay (84k splat の element-wise op) でも CPU host loop 87µs より GPU dispatch 182µs の方が遅い。`cmd.commit + wait` の往復で ~100µs かかるため、N が小さい op や少呼び出しの op は CPU の方が有利。Adam (1.7ms/call) は dispatch 量に対して compute が十分大きいので GPU 妥当だが、refine_accumulate (90µs/call) は GPU 化しても改善余地が薄い。
• CPU% ~42-51% は "1 core bound" ではなく "GPU dispatch wait で thread block": top で splat process の CPU% を測ったところ 42-51% (M4 Max 16 core 中 0.4-0.5 core)。これは「1 thread が CPU を専有」ではなく、**`cmd.wait_until_completed()` で thread が休眠している状態** (GPU 結果待ち)。15+ core idle なのは正しいが、原因は CPU 計算ではなく **GPU dispatch chain の sequential 同期** (Phase F の Adam 5x wait + radix sort 16-pass などが該当)。CPU 並列化では解決せず、cmd buffer batching か kernel fusion が真の対策。
• plumbing pattern validation は demo kernel として有効: 本 Phase E では `refine_opacity_decay.metal` 1 個の demo kernel で `RefineOps` struct, `gpu_path` flag, bit-close unit test の 3 点セットを確立。Phase F で tile-binning kernel を書く際にも同じ pattern を流用できる。

9. 関連

• Phase D 30k 結果 (本 Phase の前提となる wallclock 41m54s): p1-d-stage2-30k-results
• Phase D 5k smoke (opacity_decay 数値検証): p1-d-opacity-decay-smoke
• brush bench (target -4.6x gap source): m4-brush-bench
• autonomous loop spec (Phase E 設計含む): memory autonomous_plan_brush_parity.md

• positiveP1.D Stage 2 — Lego brushcompat + opacity decay 30k = 36.106 dB、splats -56% / wallclock -32%2026-05-25
• positiveP1.B+F Stage 2 — Lego 30k brushcompat で 35.184 dB、brush 自身を +3.20 dB 上回り2026-05-24
• positiveP1.D opacity decay 5k smoke — splats -11.6%、PSNR +0.38 dB の同時改善2026-05-24
• mixedM4 Max 上 brush (wgpu→Metal) の 30k baseline — wgpu 抽象は自作より速かった2026-05-23