一、背景信息 （必填）

内建算子 ops-math/math/fused_mul_add_n 仅支持 ascend950（arch35 kernel），在 ascend910b（Atlas A2）上缺少原生 AscendC 开源实现。本需求补齐 ascend910b 的原生 AscendC 实现（放置于 experimental/math/fused_mul_add_n/）。

二、价值/作用 （必填）

• 在 Atlas A2（ascend910b）上提供 FusedMulAddN，将 mul 与 addn(n=2) 融合为单 kernel，相比分立 mul + add 减少一次 kernel 启动与中间张量的显存往返。
• 作为图融合（graph fusion）的落点，也可经 aclnn 两段式直调；属访存密集型逐元素算子，大 shape 接近 HBM 带宽上限。

三、设计方案 （必填）

逐元素融合 FMA（标量广播）：for i: y[i] = x1[i] * x3[0] + x2[i]，其中 x3 为单元素标量张量。

3.1 使能方式（涉及哪些框架：如Aclnn直调、Pytorch训练等）

• aclnn 两段式直调：aclnnFusedMulAddNGetWorkspaceSize + aclnnFusedMulAddN
• 图模式（GE IR）算子原型 + registry-invoke kernel
• PyTorch（torch_npu）经自定义算子包调用

3.2 总体设计

3.2.1 算子支持的数据类型

float32 / float16 / bfloat16 / int32 / int16（x1/x2/x3/y 四者同 dtype）。

3.2.2 host侧设计

• 算子定义：3 输入（x1/x2/x3 均 REQUIRED）+ 1 输出 y，AddConfig("ascend910b")
• Tiling：单一 flat 策略——多核 former/tail 切分 + UB former/tail 切分，32B 对齐；按每核最小字节量（min-bytes-per-core）对小 shape 封顶有效核数（降低小 shape 的固定开销）；核数/UB 动态获取
• InferShape：y.shape = x1.shape，y.dtype = x1.dtype
• aclnn 两段式接口层（op_api/）+ 完整参数校验（dtype 一致性、x1/x2/y 同 shape、x3 单元素、ND 格式）

3.2.3 kernel侧设计

• 按 dtype 分 5 个 TilingKey；double-buffer 流水，DataCopyPad 搬运
• fp32 / int32 / int16：原生直算 Muls(x1, x3[0]) → Add(x2)（整型两步回绕）
• fp16 / bf16：转 fp32 域计算再 CAST_RINT 回（保证精度）；fp16 采用 Axpy<float,half> 融合（3 个向量算子 + 单块 fp32 中间 buffer）

3.3 支持硬件

Atlas A2 训练系列产品 / Atlas 800I A2 推理产品（ascend910b）。

3.4 算子约束限制

• x3 必须是 scalar 或单元素 tensor（ShapeSize == 1），仅取 x3[0] 按标量广播；不支持通用多维广播
• x1 / x2 / y 须同 shape；x1 / x2 / x3 / y 须同 dtype，且为上列 5 种之一
• 仅支持 ND 格式；三个输入均为必选

💡 备注（选填）