issue: https://gitcode.com/Ascend/MindSpeed-Ops/issues/55

What this PR does / why we need it?

迁移并优化 fla-org/flash-linear-attention 的 chunk_gated_delta_rule_fwd_kkt_solve_kernel 到 MindSpeed-Ops（triton-ascend, arch32）。新增独立融合算子 chunk_gated_delta_rule_fwd_kkt_solve，一条调用等价于 solve_tril(chunk_scaled_dot_kkt_fwd(...)) 两步路径：保留官方 kkt 构造与 16×16 前代两个 kernel，将官方的两级 merge（16→32→64）+ 输出 torch.zeros 预清零压缩为单个merge kernel，消除 32×32 中间张量的 HBM 往返与两次清零开销。

交付件（5 处，纯新增）：

• mindspeed_ops/arch32/triton/gdn/chunk_gated_delta_rule_fwd_kkt_solve.py：自研 merge kernel + arch32 wrapper
• mindspeed_ops/api/triton/chunk_gated_delta_rule_fwd_kkt_solve.py：公开 API
• tests/unit_tests/triton/test_chunk_gated_delta_rule_fwd_kkt_solve.py：UT 53 项
• tests/atk_tests/triton/chunk_gated_delta_rule_fwd_kkt_solve/：ATK 三件套（yaml + generate + runner）
• docs/triton/chunk_gated_delta_rule_fwd_kkt_solve.md：算子文档

性能（910B/Atlas 800T A2, bf16, msprof 设备侧 kernel 时间，vs 仓内两算子调用）：

12/13 shape ≥ 1.1x，几何平均 ~1.16。最大极端 shape (2,16384,32,128) 与两算子持平：H=32 大行跨距下 merge 访存为硬件极限（官方双 merge 同样受限）。

精度： 与未融合两算子链位级一致（13 基准 + 10 泛化 shape 全部 mismatch=0%，含 T 非 64 倍数、B>1、奇数头数）；与 CPU fp32/fp64 参考 mean_rel ≤ 1.4e-7，远优于 0.1% 要求。

Does this PR introduce any user-facing change?

新增公开 API（纯新增，不改任何现有行为，完全向后兼容）：

from mindspeed_ops.api.triton.chunk_gated_delta_rule_fwd_kkt_solve import chunk_gated_delta_rule_fwd_kkt_solve

A = chunk_gated_delta_rule_fwd_kkt_solve(
    k, g=None, beta=None, cu_seqlens=None, chunk_size=64, output_dtype=None
)  # k: [B,T,H,K] → A: (I+A)^{-1} [B,T,H,64]

• chunk_size=64（kernel 硬编码 4 个 BC=16 子块）与 cu_seqlens=None（定长）走融合路径；其他配置自动回退未融合链，行为不变

How was this patch tested?

UT（53 项，NPU 实跑全过，golden 为 CPU 小算子基准）： fp32/bf16/fp16 × 9 shape（含 B=2、partial last chunk、NT 奇偶边界、长序列）、±g/±beta、varlen（cu_seqlens 拆段交叉验证）、与仓内未融合链逐位交叉验证、chunk_size≠64 回退路径。

ATK： accuracy 60 case Pass（single_bm，CPU golden）；performance_device 60 case Pass。

复现命令：

cd tests/atk_tests/triton/chunk_gated_delta_rule_fwd_kkt_solve
atk case -f chunk_gated_delta_rule_fwd_kkt_solve.yaml -p generate_chunk_gated_delta_rule_fwd_kkt_solve.py
atk node --backend triton --devices 0 node --backend cpu --devices 0 task \
  -c result/chunk_gated_delta_rule_fwd_kkt_solve/json/all_chunk_gated_delta_rule_fwd_kkt_solve.json \
  --task accuracy -p triton_chunk_gated_delta_rule_fwd_kkt_solve.py

性能复现： msprof --application=... 后读 op_summary_*.csv 的 Task Duration(us)，对两算子调用与融合 API 分别累计全部 NPU kernel 时间。

使用约束： 融合路径仅 arch32、chunk_size=64、定长输入；其余自动回退未融合链。