Backgroud（背景信息）

BLAS Level-3 批量三角方程组求解接口 aclblasStrsmbatched 当前缺少 DAV_3510（ascend950）架构的支持。本次新增 arch35 实现，使 Strsmbatched 在 ascend950 上可用。

Strsmbatched 计算公式：

• side=LEFT: op(A_i) * X_i = alpha * B_i
• side=RIGHT: X_i * op(A_i) = alpha * B_i

其中 A_i 为 batchCount 个三角矩阵（仅存储 UPPER 或 LOWER 一个三角），B_i 为普通矩阵，op(A) 可为 A / A^T / A^H。

实现采用与已有 aclblasStrsm 一致的 SIMT + tensor_api 混合架构：

1. Panel Solve（AIV核, SIMT）：对 panel 块进行三角前代/回代求解
2. Trailing Update GEMM（AIC核, tensor_api）：用 Cube GEMM 计算 trailing matrix 更新
3. Scale/Transpose/Extract/AXPY（AIV核, SIMT）：辅助 kernel

涉及新增文件：

• blas/trsmbatched/arch35/strsmbatched_host.cpp — Host 侧入口（参数校验、Tiling 计算、路径选择、kernel 调度）
• blas/trsmbatched/arch35/strsmbatched_kernel.cpp — Kernel 侧实现（panel/scale/zero/extract/axpy/transpose/gemm 共 8 个 kernel）
• blas/trsmbatched/arch35/strsmbatched_kernel.h — kernel 声明
• blas/trsmbatched/arch35/strsmbatched_tiling_data.h — TilingData 结构体定义
• blas/trsmbatched/README.md — 算子文档
• test/trsmbatched/strsmbatched/arch35/strsmbatched_test.cpp — CSV 参数化精度 ST
• test/trsmbatched/strsmbatched/arch35/strsmbatched_npu_wrapper.h — H2D/D2H 测试 wrapper
• test/trsmbatched/strsmbatched/arch35/strsmbatched_test.csv — 58 条测试用例（含边界值和非法参数校验）
• test/trsmbatched/strsmbatched/strsmbatched_golden.h — golden 计算参考
• test/trsmbatched/strsmbatched/strsmbatched_param.h — 测试参数定义
• test/trsmbatched/strsmbatched/CMakeLists.txt — 构建配置

Origin（信息来源）

cann开发者

Benefit / Necessity （价值/作用）

1. 填补 aclblasStrsmbatched 在 ascend950 (DAV_3510) 上的缺失，完善 BLAS Level-3 batched 接口覆盖率
2. SIMT + tensor_api 混合架构充分利用 ascend950 Cube+Vector 双硬件能力，与已有 aclblasStrsm 路线保持一致
3. Blocked path 采用 panel SIMT + Cube GEMM trailing update，GEMM kernel 使用 L0A/L0B ping-pong + L1 双缓冲流水线
4. 支持 side=LEFT/RIGHT、uplo=UPPER/LOWER、trans=N/T/C、diag=UNIT/NON_UNIT 全组合，alpha 支持零值快速路径
5. Right 路径通过 transpose 归约为 Left 求解，复用 Left 的 SIMT/Blocked 两条子路径
6. 58 条 ST 覆盖基本功能、边界值（m=0/n=0）、side/uplo/trans/diag 全组合、alpha=0 快速路径等场景

Design（设计方案）

路径选择策略

Panel Solve Kernel (AIV-only, SIMT)

按列分配到 AIV 核，每核处理 colStart..colEnd 列：

• 将 panel 块的 A 三角部分加载到 UB（__ubuf__ float aBlockUb[]）
• 按行迭代求解，根据 uplo/trans 确定 forward/backward 遍历方向
• 每行计算 dot product 减去已知解的贡献，再除以对角元（diag=NON_UNIT 时）
• 对角元为 1（diag=UNIT）时跳除法

Trailing Update GEMM Kernel (AIC-only, tensor_api)

四层循环结构：核级 tile → MN tile → K chunk → L0 K split

• 多核切分：ceilDiv(m, tileM) × ceilDiv(n, tileN) 个 tile，各核步进式领取，Snake Schedule 奇数行反转 N 方向
• L1 双缓冲：A-side 和 B-side 数据按 NZ/ZN 格式写入共享 L1 buffer，双 buffer ping-pong
• L0 LoadData → MMAD：K chunk 进一步按 BASE_K=8 切分到 L0 级，L0A/L0B ping-pong，unitFlag 控制累加/清零
• L0C NZ2ND 输出：CopyL0C2GM 将 NZ 格式转为 row-major 写入 temp GM
• 四级流水线同步：MTE2(搬入L1) → MTE1(搬入L0) → M(MMAD) → FIX(搬出GM)，SetFlag/WaitFlag 配对

NoTrans vs Trans Trailing Update

Right 路径（Transpose 归约）

Right TRSM: X * op(A) = alpha*B → 转置 → op(A)^T * X^T = alpha*B^T

1. Scale B by alpha
2. Transpose B → Bt
3. Left solve: op(A)^T * Bt = Bt（flip trans: N↔T，uplo 不变）
4. Transpose Bt → B

Host 侧

• 参数校验（side/uplo/trans/diag/m/n/alpha/Aarray/Barray/lda/ldb/batchCount）
• Aarray/Barray 从 device 拷贝到 host（aclrtMemcpy D2H），逐 batch 调用 LaunchTrsmbatchedKernel
• 动态核数分配（min(数据量, 硬件核数)）
• workspace 按路径动态分配（temp/aWs/bWs/Bt）