AVX: выравнивание данных: сбой хранилища, сохранение, загрузка, загрузка не

Я модифицирую нейронную сеть RNNLM для изучения языковой модели. Однако, учитывая размер моего корпуса, он работает очень медленно. Я попытался оптимизировать подпрограмму matrix*vector (на которую приходится 63% общего времени для небольшого набора данных (я ожидаю, что на больших наборах будет хуже)). Сейчас я застрял с внутренностями.

    for (b=0; b<(to-from)/8; b++) 
    {
        val = _mm256_setzero_ps();
        for (a=from2; a<to2; a++) 
        {
            t1 = _mm256_set1_ps (srcvec.ac[a]);
            t2 = _mm256_load_ps(&(srcmatrix[a+(b*8+from+0)*matrix_width].weight));
            //val =_mm256_fmadd_ps (t1, t2, t3)
            t3 = _mm256_mul_ps(t1,t2);
            val = _mm256_add_ps (val, t3);
        }
        t4 = _mm256_load_ps(&(dest.ac[b*8+from+0]));
        t4 = _mm256_add_ps(t4,val);
        _mm256_store_ps (&(dest.ac[b*8+from+0]), t4);
    }

Этот пример аварийно завершает работу:

_mm256_store_ps (&(dest.ac[b*8+from+0]), t4);

Однако, если я перейду на

_mm256_storeu_ps (&(dest.ac[b*8+from+0]), t4);

(с u для невыровненного, я полагаю) все работает как задумано. Мой вопрос: почему load работает (в то время как это не должно, если данные не выровнены), а store - нет. (к тому же оба работают на одном и том же адресе).

dest.ac были выделены с использованием

void *_aligned_calloc(size_t nelem, size_t elsize, size_t alignment=64)
{
    size_t max_size = (size_t)-1;

    // Watch out for overflow
    if(elsize == 0 || nelem >= max_size/elsize)
        return NULL;

    size_t size = nelem * elsize;
    void *memory = _mm_malloc(size+64, alignment);
    if(memory != NULL)
        memset(memory, 0, size);
    return memory;
}

и это не менее 50 элементов. (Кстати, с VS2012 у меня есть недопустимая инструкция для какого-то случайного назначения, поэтому я использую Linux.)

заранее спасибо, Аркантус.