Prefer E2B layouts for group broadcast loads

[mouliangyu]

背景

E2B-compatible 的 group_broadcast_load 之前仍可在 support table 中选择 contiguous layout。这样 assignment 无法表达 E2B producer 的真实物理 layout，也会让 contiguous 决策继续影响下游 cast 链；部分形态会回退到 vsldb + vselr，而 issue 原始整核则因此生成带 vor 合并的 FP8 carrier 路径。

Closes #1320

修改

• 将 G=8、group block=1 的 E2B direct producer layout 从 contiguous 改为 deinterleaved-by-four。
• 当 group_broadcast_load 满足 E2B 条件时，从候选 layout 中移除 contiguous；只有无法使用 E2B 时才继续允许 contiguous fallback，并增加 b8 反向回归覆盖该条件。
• 让 layout propagation 即使面对输入 IR 上已有的默认 layout，也通过 op support table 验证 producer 能力。
• 将 group_broadcast_load 保持为低优先级 preferred producer：consumer 可先选择 contiguous，producer 随后选择 d4，并由 assignment 显式插入 ensure_layout(d4 -> c)。
• 对直接进入 widening cast 的 E2B broadcast load 提前 producer seed，避免下游 lane-stride narrowing 把 f16 producer 锁成不可物化的 d2 -> ls2 冲突；普通 broadcast load 仍保持 consumer 优先。
• 增加最小优化回归用例，并更新 E2B layout matrix，检查 E2B_B16/E2B_B32 且禁止 E2B case 回退到 vselr。

性能

使用 issue 原始完整 vmi_kernel.input.pto，在同一个 origin/main@ca7ccb40 上分别构建 baseline 和本 PR，使用相同 VPTO flags 与 A5 CA model harness 测试：

• baseline：block [15, 8238]，kernel 区间 8223 cycles
• 本 PR：block [17, 7876]，kernel 区间 7859 cycles
• 减少 364 cycles，约 4.43%

两边整核都没有 vselr，因此这里的收益不能归因于 vselr。完整 popped instruction 统计从 4107 条降到 4057 条；其中 RV_VOR 从 192 条降到 0。当前热点使用 E2B_B32 + 3 x vintlv 显式完成 d4 -> c，fp32 -> fp8 -> fp32 roundtrip 保持四条独立 P0 路径，不再通过 3 个 vor 合并共享 FP8 carrier。该整核使用 in-place scratch harness，模拟器执行通过，框架按既有设置跳过数值 compare。

验证

• ninja -C .work/issue_1320/build-llvm19 pto-test-opt PTOAS_Python
• 相关 E2B、non-E2B fallback、scalar BRC、group-store、ComputeY1 用例：8/8 passed
• ninja -C .work/issue_1320/build-llvm19 check-pto：1830 passed，1 unsupported，0 failed
• python3 .codex/skills/enforce-ptoas-code-compliance/scripts/check_changed_code.py --repo . --base origin/main：0 errors，0 warnings
• 原始完整 kernel 在同基线 baseline/PR 上分别完整编译并运行 A5 CA model：8223 -> 7859 cycles