Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

一、背景信息 （必填）

ops-math 仓当前缺少与 PyTorch torch.bincount 功能一致的 Ascend C 算子。Bincount 属于直方图 / 散射累加（scatter-add）类算子：统计一维非负整数张量中每个值出现的次数（无 weights 时计数；有 weights 时按权重累加），输出长度 L = max(max(self)+1, minlength)，第 k 个元素即值 k 的统计量。

CANN 现有内置 aclnnBincount 的主计算 kernel 跑在 AI_CPU，单次调用总耗时约 663~1446us，性能较低。本需求在 Ascend C 上以 AI Core 单 kernel 重新实现，解决"内置算子走 AI_CPU、性能低"的问题。功能语义对标 torch.bincount，性能对标原 aclnnBincount（任务书要求整体达成其 10X）。

二、价值/作用 （必填）

1. 补齐生态：为 ops-math 提供与 torch.bincount 一致的 Ascend C Bincount，覆盖计数与加权两种模式及多种 dtype 组合。
2. 应用场景：标签 / 类别频次统计、加权直方图、混淆矩阵计数、数据分布分析等，是机器学习与数据处理的基础算子。
3. 性能提升：主体计算从 AI_CPU 迁移到 AI Core 并单 kernel 化。实测：本算子 AI Core 单 kernel ~6~22us，相对官方 AI_CPU 基线加速比中位 ~110×、最高 ~434×，绝大多数用例远超任务 10X 目标。

三、设计方案 （必填）

3.1 使能方式（涉及哪些框架）

• Aclnn 直调：对外提供 aclnnBincountGetWorkspaceSize / aclnnBincount 两段式接口，参数 self / weights / minlength / out（torch.bincount 风格），可由用户直接调用，并提供 examples/test_aclnn_bincount.cpp 调用样例。
• 采用与官方 math/bincount 一致的两层接口结构：底层 def 注册 GE 风格原型 array / size / weights / bins（进入 AICore 二进制）；L2 把 host 侧 minlength 构造为 INT64 [1] 的 size 张量、任意 dtype 的 weights 经 l0op::Cast 统一为 float 后下发底层原型。

3.2 总体设计

整体为单遍散射：在散射累加的同一遍循环里顺带按核求局部 min 做负数检查。AscendC 实现流程如下：

flowchart TD
    A([aclnn 入口: self / weights / minlength / out]) --> B["L2: minlength 构造 size 张量;<br/>weights 统一 Cast 成 float;<br/>下发底层 array/size/weights/bins"]
    B --> C{"Host Tiling 分核判定"}
    C -->|"N ≤ 4096 或 L > 2048"| P1["单核快路径 coreNum=1"]
    C -->|"大输入 且 小输出"| P2["多核并行散射"]
    C -->|"L 超 UB"| P3["largeL: GM 直接散射回退"]

    P1 --> D1["整块 CopyIn self/weights → UB;<br/>私有直方图散射 桶 value 累加 w;<br/>同遍跟踪 localMin"]
    P2 --> D2["各核 UB 私有直方图散射 + localMin →<br/>min/直方图写 workspace →<br/>单道 SyncAll → 0 号核归并"]
    P3 --> D3["求 min → 清零 GM 输出 →<br/>逐元素读改写累加"]

    D1 --> N{"全局 min ≥ 0 ?"}
    D2 --> N
    D3 --> N
    N -->|"否, 含负数"| ERR([" ascendc_assert → AI Core 异常 507015<br/>报错中止, 不产出结果"])
    N -->|"是"| OUT["写出 out: 非 double 整段 DataCopy;<br/>double 经 IEEE-754 位拼接"]
    OUT --> Z([" out, 长度 L = max(vmax+1, minlength) "])

3.2.1 算子支持的数据类型

3.2.2 host 侧设计

• InferShape：依据 self 值依赖 + minlength 推导 out 长度（self 标记 ValueDepend）。
• Tiling 分核：先判定是否走单核——N≤4096或 L>2048时 coreNum=1；否则满核均分，按 N 裁剪空转核。
• UB 分块：私有直方图常驻 UB，tileDataNum 由 UB 容量反解；L 超 UB 时置 largeL=1 走 GM 直接散射回退路径。

3.2.3 kernel 侧设计

• 单核快路径：coreNum=1 时一个核在 UB 私有直方图算完，不写 workspace、不 SyncAll、不归并，直接写出。占绝大多数用例、是达标主因。
• 多核路径：各核片上私有直方图并行散射，min 与直方图一并写 workspace，单道 SyncAll 后 0 号核 DataCopy 读回逐桶归并写出。
• 整块 CopyIn：self/weights 经 MTE 批量搬入 UB，消除逐元素 GM 标量读。
• DOUBLE 输出：910B AI Core 无原生 fp64，kernel 以 float 累加后经 IEEE-754 位拼接产出 double。
• 负数检查：kernel 求全局 min，min<0 触发 ascendc_assert → AI Core 异常（507015）报错中止。

3.3 支持硬件

Atlas A2 训练系列产品 / Ascend 910B。

3.4 算子约束限制

💡 备注（选填）