独特融合算子：ReLU^2。一次内核完成 ReLU 与平方运算，减少两次逐元素核为一次。

torchcode.py：参考实现 `y = relu(x); y = y * y`。
cudacode.py：`__global__ void relu_square_kernel(...)` 完成融合计算。
run_code.py：比较精度与性能（100 次迭代，`rtol=1e-03`）。
