关联 PR

本 Issue 对应 MR #44：https://gitcode.com/AI4Science/dgl-ascend/merge_requests/44

背景

当前仓库中 Range（int32）与 CSRToCOO 在 Ascend 上存在 CPU 兜底实现，且多处使用 aclrtSynchronizeDevice() 做全设备同步，存在正确性与性能问题。

本次改动内容

1. Range int32 / CSRToCOO 原生算子修复（去掉 CPU 兜底）

• range.cc：原 bug 在 host 侧——tiling.dtype_bytes 在 GetTilingDev()（host→device 拷贝）之后才赋值，导致 kernel 读到未初始化的 dtype_bytes，恒走 int64 分支，int32 缓冲被 8 字节写坏（Range(0,3) 输出 [0,0,1]）。修复：在拷贝前赋值。
• csr_to_coo_kernel.cpp：原实现用 GlobalTensor::SetValue 逐字写 GM，非零 block 的写会被静默丢弃。重写为 UB LocalTensor staging + DataCopyPad（参考 csr_get_row_nnz 的成熟模式）。
• csr_to_coo.cc：恢复原生多 block launch（按行划分 vector core），去掉 CPU 兜底。

2. 冗余全设备同步优化

• 删除入口处重复的 aclrtSynchronizeDevice()（heterograph_capi.cc InEdges/OutEdges/InDegrees/OutDegrees/EdgeSubgraph、graph_apis.cc VertexSubgraph/EdgeSubgraph、randomwalks.cc）：python 流桥（_ffi/base.py 每次 FFI 前 torch.npu.synchronize()）已保证 torch→DGL 输入排序。
• 出口处 aclrtSynchronizeDevice() 降级为 aclrtSynchronizeStream(nullptr)（unit_graph.cc CSR/CSC 物化、heterograph_capi.cc 结果可见性）：DGL kernel 全在 ACL 默认流上，宿主等到默认流完成即可，无需等待 torch_npu 无关流。
• 删除 array.cc 中 D2H 前的 aclrtSynchronizeDevice()（CopyTo 内部已同步默认流）。

3. 其他

• network_emb.py：去掉 import 时全局劫持 torch.optim.SparseAdam.step，改为 DeepWalk/MetaPath2Vec __init__ 内惰性安装（DGL_NPU_SPARSE_ADAM_COMPAT=0 可关）。
• 恢复 tensor.py 中 int32 min/max 的 NPU 注释（该兜底在 CANN 9.0.0 上仍然必要）。

验证

• test_csr_to_coo_npu.py：8/8 通过。
• Range（经 node_subgraph 触发，int32/int64，2~49820 条边含多 block）与 CPU 结果一致。
• 全量 test_nn.py：2969 passed / 0 failed（910B3，CANN 9.0.0）。
• 性能：删除冗余 device sync 后 D2H 重路径约提速 9.5%，其余 1-5%（共享宿主机噪声内）；单算子固定开销仍以 AscendC 算子执行路径为主。

后续

• 探索算子内 aclrtSynchronizeStream host-barrier（约 77 处）的移除与 AscendC launch 开销优化，进一步降低单算子 ~1.3ms 固定开销。