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

一、背景信息 （必填）

BroadcastTo 算子在单轴广播场景（输入/输出经 MergeAxis 合并后维度为 1）下，原先走通用 tiling 路径（Tiling4BroadcastToAscendC），该路径针对多维场景设计，对单轴场景存在以下问题：

1. tiling 切分不优：通用路径按多维轴切分，单轴场景无法充分利用 UB 空间
2. B 轴浪费 buffer：标量广播（B 轴）只需 1 块 UB 常驻，但通用路径固定双 buffer，导致 tileSize 被砍半，MTE3 搬运次数翻倍
3. 缺少专用模板：单轴场景的数据搬运模式简单（连续搬入/搬出），通用模板的流水线编排开销不必要

二、价值/作用 （必填）

• 提升单轴广播场景性能：B 轴 tileSize 翻倍（MTE3 搬运次数减半），A 轴 Double Buffer 流水并行
• 典型应用场景：
  • 标量广播：[1] → [N]（如 torch.broadcast_to(torch.tensor([1.0]), (1000000,)))
  • 多维全广播合并为单轴：[1,1,1] → [535,535,536]（经 MergeAxis 合并为 [1] → [153319760]）
  • 纯拷贝：[N] → [N]（A 轴，输入输出 shape 相同）
• 影响范围：BroadcastTo 算子在 ascend950 上的所有单轴场景，包括 aclnn 直调和 PyTorch 训练推理

三、设计方案 （必填）

3.1 使能方式

• aclnn 直调：通过 aclnnBroadcastTo API 调用，host tiling 自动判断是否走单轴路径
• PyTorch 训练/推理：通过 CANN backend 的 torch.broadcast_to 触发
• 其他算子复用：broadcast_to_impl 已暴露给其他算子（如 tile）使用，单轴路径自动生效

3.2 总体设计

3.2.1 算子支持的数据类型

3.2.2 host 侧设计

触发条件：在 Tiling4BroadcastTo 中，经 MergeAxis 合并后 outShape.GetDimNum() == 1 时进入 Tiling4SingleAxis。

Tiling 流程：

Tiling4BroadcastTo
  ├─ GetShapeInfo (获取输入输出 shape)
  ├─ MergeAxis (合并相同类型轴)
  ├─ IsSingleAxisBrcAfterMerge(outShape) ?
  │   ├─ YES → Tiling4SingleAxis
  │   └─ NO  → Tiling4BroadcastToAscendC (通用路径)

Tiling4SingleAxis 逻辑：

1. 判断 A/B 轴：isBrc = (inDim != outDim)，B 轴为标量广播，A 轴为纯拷贝
2. 选择 buffer 数：B 轴单 buffer（BUFFER_NUM_B=1，可用全部 UB），A 轴双 buffer（BUFFER_NUM_A=2）
3. 计算 tileSize：max(min(blockFactor, bufferSizeElements), minUbElements)，128B 对齐
4. 负载均衡：totalTiles = CeilDiv(totalOutElems, tileSize)，按核数分配 blockFactor，主核多 1 块
5. 设置 tilingKey：A 轴 11006(SINGLE_AXIS)，B 轴 11007(SINGLE_AXIS_BRC)
6. workspace：brcto::kSyncWorkSpaceSize（16MB）

TilingData 结构：

struct SingleAxisBrcTilingData {
    uint64_t shapeSize;     // 输出总元素个数
    uint32_t tileSize;      // 每块 tile 元素个数
    uint32_t blockNum;      // 使用核数
    uint64_t blockFactor;   // 主核 tile 块数, 尾核 blockFactor-1
};

3.2.3 kernel 侧设计

模板类：BroadcastSingleAxis<T, IsBrc>，使用 LocalMemAllocator 静态 Tensor 编程 + Mutex 流水线同步。

A 轴（IsBrc=false）：

流水线: MTE2(DataCopyPad搬入) → MTE3(DataCopyPad搬出)
同步:   Mutex 双 ID 交替 (mutexId0_/mutexId1_), Ping/Pong Double Buffer

for (i = 0; i < loopNum; i++) {
    curMutex = (i & 1) ? mutexId1_ : mutexId0_;
    curBuf   = (i & 1) ? ubPong    : ubPing;

    Lock<MTE2>(curMutex) → DataCopyPad(curBuf, inGM[offset]) → Unlock<MTE2>(curMutex)
    Lock<MTE3>(curMutex) → DataCopyPad(outGM[offset], curBuf) → Unlock<MTE3>(curMutex)
}
// MTE2[i+1] 与 MTE3[i] 并行 (不同 mutexId)

B 轴（IsBrc=true）：

流水线: MTE2(DataCopyPad标量→scalarBuf) → V(Duplicate广播填充ubPing) → MTE3(循环搬出)
同步:   Mutex 单 ID (mutexId0_), MTE2→V→MTE3 串行依赖

Init:
  ubPing = ubAlloc.Alloc<T>(tileSize)
  scalarBuf = ubAlloc.Alloc<T>(32/sizeof(T))

CopyDataInWithDMA:
  Lock<MTE2> → DataCopyPad(scalarBuf, inGM[0]) → Unlock<MTE2>
  Lock<V>    → Duplicate(ubPing, scalarBuf, tileSize) → Unlock<V>

Process:
  Lock<MTE3> → for (loopNum) DataCopyPad(outGM[offset], ubPing) → Unlock<MTE3>

Dispatch 逻辑（broadcast_to.h）：

if (TILING_KEY_IS(SINGLE_AXIS) || TILING_KEY_IS(SINGLE_AXIS_BRC)) {
    GET_TILING_DATA_PTR_WITH_STRUCT(SingleAxisBrcTilingData, saTilingData, tiling);
    if (TILING_KEY_IS(SINGLE_AXIS)) {
        BroadcastSingleAxis<DTYPE_X_, false> op;  // A轴
    } else {
        BroadcastSingleAxis<DTYPE_X_, true> op;   // B轴
    }
    op.Init(x, y, saTilingData);
    op.Process();
}

3.3 支持硬件

3.4 算子约束限制

1. 触发条件：仅当输入输出经 MergeAxis 合并后维度为 1 时走单轴路径，否则走通用多维路径
2. A 轴约束：inDim == outDim（纯拷贝），tileSize 需 128B 对齐
3. B 轴约束：inDim == 1（标量广播），Duplicate(tensor版) 要求 tileSize 128B 对齐
4. workspace：需 16MB workspace 用于核间同步
5. 不支持的场景：
   • 多维非广播轴与广播轴混合（如 [1,5] → [3,5]，合并后维度 > 1，走通用路径）
   • ascend910b（走 legacy TBE tbe.broadcast + auto_schedule）

💡 备注（选填）