c - プログラムがプリフェッチと非テンポラル ロード/ストアの恩恵を受けるのはいつですか?

Question

私はこれでテストをしました

    for (i32 i = 0; i < 0x800000; ++i)
    {
        // Hopefully this can disable hardware prefetch
        i32 k = (i * 997 & 0x7FFFFF) * 0x40;

        _mm_prefetch(data + ((i + 1) * 997 & 0x7FFFFF) * 0x40, _MM_HINT_NTA);

        for (i32 j = 0; j < 0x40; j += 0x10)
        {
            //__m128 v = _mm_castsi128_ps(_mm_stream_load_si128((__m128i *)(data + k + j)));
            __m128 v = _mm_load_ps((float *)(data + k + j));

            a_single_chain_computation

            //_mm_stream_ps((float *)(data2 + k + j), v);
            _mm_store_ps((float *)(data2 + k + j), v);
        }
    }

結果は奇妙です。

1. どれだけ時間がa_single_chain_computationかかっても、読み込みの遅延は隠されません。
2. さらに、計算を追加すると、追加の合計時間が長くなります。(単一v = _mm_mul_ps(v, v)のプリフェッチでは、約 0.60 - 0.57 = 0.03 秒節約できます。16v = _mm_mul_ps(v, v)では、約 1.1 - 0.75 = 0.35 秒節約できます。なぜですか?)
3. 非一時的なロード/ストアは、プリフェッチの有無にかかわらずパフォーマンスを低下させます。(ロードの部分はわかるけど、なんでストアも？)