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

一、背景信息 （必填）

当前 Rsqrt / InplaceRsqrt 算子仅支持浮点数据类型（float16、float、bfloat16），不支持整型和布尔类型。在 AscendC 算子的通用生态中，越来越多的模型和场景需要 Rsqrt 算子能够处理 int8、int16、int32、uint8、bool 等数据类型，以实现端到端的整型推理链路，避免频繁的类型转换开销。

二、价值/作用 （必填）

本需求为 Rsqrt / InplaceRsqrt 算子新增 int8、int16、int32、uint8、bool 五种数据类型的支持，带来以下价值：

1. 补齐算子数据类型覆盖：Rsqrt 对齐同类数学算子（如 Sqrt、Acos）的数据类型支持范围，覆盖 AscendC 算子的全部通用数据类型。
2. 减少推理链路类型转换：整型模型可直接调用 Rsqrt 无需插入 Cast 节点，简化计算图，降低调度开销。
3. 增强算子通用性：满足社区开发者在混合精度训练、量化推理、布尔掩码处理等场景中对 Rsqrt 算子更广泛的数据类型需求。

三、设计方案 （必填）

总体思路

Rsqrt 算子的核心计算为 y = 1 / sqrt(x)，对于浮点类型直接通过 AscendC 内置的 Sqrt + Div 原语完成；对于整型/布尔类型，通过类型提升（promotion）到 half/float → 执行 Rsqrt 计算 → CAST_RINT 截断回原类型的方式实现，同时对 int16/int8 引入分段线性校正保证结果精度。

改动范围

涉及 5 个层次的修改：

1. 算子定义层（op_def / op_proto）

在 Input 和 Output 的 DataType 列表中新增 DT_INT8、DT_INT16、DT_INT32、DT_UINT8、DT_BOOL，注册格式为 ND。

2. Tiling 层（op_host/rsqrt_tiling.cpp）

新增各数据类型在 UB 空间中的 Buffer 分配常量：

Tiling 函数 RsqrtTilingFunc 的 switch 分支扩展至上述类型，其余逻辑（coreNum 计算、buffer 数量选择、tile 切分）保持通用。

3. ACLNN API 层（op_api/aclnn_rsqrt.cpp）

• 统一 DTYPE_SUPPORT_LIST 覆盖全部 8 种类型（移除旧版独立仅浮点的 DTYPE_OUT_LIST）
• 新增 CheckDtypeValid 校验：self 和 out 的数据类型必须一致，避免 ViewCopy 出现未定义行为

4. Kernel 层（op_kernel/rsqrt.h / rsqrt.cpp）

KernelRsqrt<DTYPE_X, BUFFER_NUM> 模板类按 TYPE_X 分发至以下计算路径：

• float / half：Sqrt → Div(1, result)（保持原逻辑）
• bfloat16：Cast 到 float → Sqrt → Div → Cast 回 bfloat16
• int32：Cast 到 float → Rsqrt → Cast(CAST_RINT) 写回 int32
• int16：Cast 到 half → Rsqrt → ComputeIntCorrection（分段校正）→ Cast(CAST_RINT)
• int8：同 int16 流程（使用 tmp1/tmp2 half 缓冲区）
• uint8：Cast 到 half → Rsqrt → Cast(CAST_RINT)
• bool：Duplicate(0x0101) 填充 int16_t 模式，每个输入元素输出 true

其中 ComputeIntCorrection 用于修正 int16/int8 的 Rsqrt 结果：

p1 = min(p1, 2.0f)
p2 = p1 - 1.0f
p2 = max(p2, 0.0f)
p2 = p2 * 3.0f
p1 = p1 - p2

此校正将 [0, 2] 范围的 Rsqrt 结果压缩到正确范围，对齐 pytorch/tbe 的语义。

rsqrt_tiling_data.h 中将 tile/tail 相关字段从 uint32_t 升级为 uint64_t，避免大 shape 下溢出。

5. 测试层（tests/ut）

op_api 测试（16 个用例）：覆盖全部支持类型的正常入参、空 tensor、非连续、高维、dtype 不匹配、shape 不一致、nullptr 等场景。

op_host 测试（8 个用例）：infershape 推导 + tiling 参数计算验证（float、float16、bf16）。

op_kernel 测试（7 个用例）：每个新增类型独立的端到端 ICPU 仿真测试（int8/int16/int32/uint8/bool 各 1 个，float32 覆盖单流水 + 双流水）。使用 rsqrt_test_entry.h 共享入口模板通过宏拼接生成唯一函数名（如 rsqrt_int8），避免多 DTYPE_X 文件的 ODR 冲突。数据生成脚本 gen_data.py 和对比脚本 compare_data.py 同时支持 8 种数据类型。

伪代码示意

def rsqrt_kernel(x: Tensor[AnyDType], y: Tensor[AnyDType]):
    tiling = compute_tiling(x.shape, x.dtype)
    if x.dtype in {float16, float32}:
        y = 1.0 / sqrt(x)
    elif x.dtype == bfloat16:
        x_f32 = cast(x, float32)
        y_f32 = 1.0 / sqrt(x_f32)
        y = cast(y_f32, bfloat16, round_mode=CAST_RINT)
    elif x.dtype == int32:
        x_f32 = cast(x, float32)
        y_f32 = rsqrt(x_f32)
        y = cast(y_f32, int32, round_mode=CAST_RINT)
    elif x.dtype in {int16, int8}:
        x_f16 = cast(x, float16)
        y_f16 = rsqrt(x_f16)
        y_f16 = int_correction(y_f16)  # min(2)→add(-1)→max(0)→mul(3)→sub
        y = cast(y_f16, original_dtype, round_mode=CAST_RINT)
    elif x.dtype == uint8:
        x_f16 = cast(x, float16)
        y_f16 = rsqrt(x_f16)
        y = cast(y_f16, uint8, round_mode=CAST_RINT)
    elif x.dtype == bool:
        y = fill(0x0101)  # map to int16_t pattern, output True

💡 备注（选填）

• 本次改动仅影响 experimental/math/rsqrt 路径
• Tiling 层适配 ascend910b / ascend910_93 两个 SoC 版本
• Kernel 层支持 AIV 模式调度
• 所有 UT 均通过 ICPU 仿真器验证