Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
Sinkhorn 算子是 CANN ops-math 仓中的 Sinkhorn 最优传输距离计算算子，对二维成本矩阵 cost(R, C) 迭代执行 Sinkhorn-Knopp 矩阵缩放，得到最优传输计划 p(R, C)。典型应用为 MoE 大模型专家路由、最优传输/分布匹配、点云配准等场景。 当前算子仅支持 Atlas A2（ascend910b）和 Atlas A3（ascend910_93），不支持 Ascend 950PR/950DT。本次需求将 Sinkhorn 算子适配到 950 平台，并在适配过程中修复 FP16 半精度计算精度不足、BF16 搬运字节数错误、跨 tile 缺少同步、NaN 死循环等已知问题。
使 Sinkhorn 算子在 Ascend 950PR/950DT 上可用，支撑 950 平台上的 MoE 专家路由和最优传输场景。 修复 FP16 输入精度问题：将 FP16 输入从全程半精度计算改为内部 FP32 计算，消除迭代精度累积误差。 修复 BF16 搬运错误和跨 tile 同步缺失，确保大矩阵多核场景下结果正确。 修复 NaN 导致的 kernel 死循环，提升极端输入下的鲁棒性。
Aclnn 直调 aclnnSinkhorn / aclnnSinkhornGetWorkspaceSize 两段式接口
cost FLOAT / FLOAT16 / BFLOAT16 p 同 cost（Follow） tol FLOAT（aclScalar）
OpDef：新增 this->AICore().AddConfig("ascend950")，使算子在 950 上可编译。 Tiling：FP16 的 sizeOfDataType 从 sizeof(uint16_t) 改为 sizeof(float)（因为内部按 FP32 计算，workspace 按 FP32 大小分配）。新增 pFloatGlobal workspace：totalRow * totalCol * sizeof(float)，用于 FP32 存储 exp(cost)。 aclnn 校验增强：新增 CheckTolValid（tol 必须为正有限 float）、MAX_COST_ROW=10000（行数上限）、行列正值校验。
FP16 升精度：
Ascend 950PR / Ascend 950DT Atlas A3 训练/推理 Atlas A2 训练/推理
cost 必须为二维矩阵（rank=2），行数 ≤ 10000，列数 ≤ 4096。 tol 必须为正有限 FLOAT 值（空指针默认 0.0001）。 cost 和 p 的 shape 必须完全一致。 cost 支持非连续 tensor，p 不支持非连续 tensor。 cost 建议值域 0, 1（exp(cost) 对大值可能溢出为 inf，kernel 会通过 NaN 安全收敛判断退出循环，但输出可能包含 NaN）。 迭代次数由 tol 控制，无最大迭代次数上限（非 NaN 场景 Sinkhorn 数学上保证收敛）。 BF16 支持依赖 SoC 版本：950 和 910B~910E 支持 BF16，其他平台仅 FLOAT/FLOAT16。 950 上 FP16/BF16 的 Cast 使用 VF 寄存器指令（NPU_ARCH == 3510），A2/A3 使用标准 Cast() API。 💡 备注（选填）
/assign @Davon14272
Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.
一、背景信息 （必填）
Sinkhorn 算子是 CANN ops-math 仓中的 Sinkhorn 最优传输距离计算算子，对二维成本矩阵 cost(R, C) 迭代执行 Sinkhorn-Knopp 矩阵缩放，得到最优传输计划 p(R, C)。典型应用为 MoE 大模型专家路由、最优传输/分布匹配、点云配准等场景。
当前算子仅支持 Atlas A2（ascend910b）和 Atlas A3（ascend910_93），不支持 Ascend 950PR/950DT。本次需求将 Sinkhorn 算子适配到 950 平台，并在适配过程中修复 FP16 半精度计算精度不足、BF16 搬运字节数错误、跨 tile 缺少同步、NaN 死循环等已知问题。
二、价值/作用 （必填）
使 Sinkhorn 算子在 Ascend 950PR/950DT 上可用，支撑 950 平台上的 MoE 专家路由和最优传输场景。
修复 FP16 输入精度问题：将 FP16 输入从全程半精度计算改为内部 FP32 计算，消除迭代精度累积误差。
修复 BF16 搬运错误和跨 tile 同步缺失，确保大矩阵多核场景下结果正确。
修复 NaN 导致的 kernel 死循环，提升极端输入下的鲁棒性。
三、设计方案 （必填）
3.1 使能方式（涉及哪些框架：如Aclnn直调、Pytorch训练等）
Aclnn 直调 aclnnSinkhorn / aclnnSinkhornGetWorkspaceSize 两段式接口
3.2 总体设计
3.2.1 算子支持的数据类型
cost FLOAT / FLOAT16 / BFLOAT16
p 同 cost（Follow）
tol FLOAT（aclScalar）
3.2.2 host侧设计
OpDef：新增 this->AICore().AddConfig("ascend950")，使算子在 950 上可编译。
Tiling：FP16 的 sizeOfDataType 从 sizeof(uint16_t) 改为 sizeof(float)（因为内部按 FP32 计算，workspace 按 FP32 大小分配）。新增 pFloatGlobal workspace：totalRow * totalCol * sizeof(float)，用于 FP32 存储 exp(cost)。
aclnn 校验增强：新增 CheckTolValid（tol 必须为正有限 float）、MAX_COST_ROW=10000（行数上限）、行列正值校验。
3.2.3 kernel侧设计
FP16 升精度：
950 VF Cast 指令（#if NPU_ARCH == 3510）：
BF16 搬运修复：
3.3 支持硬件
Ascend 950PR / Ascend 950DT
Atlas A3 训练/推理
Atlas A2 训练/推理
3.4 算子约束限制
cost 必须为二维矩阵（rank=2），行数 ≤ 10000，列数 ≤ 4096。
tol 必须为正有限 FLOAT 值（空指针默认 0.0001）。
cost 和 p 的 shape 必须完全一致。
cost 支持非连续 tensor，p 不支持非连续 tensor。
cost 建议值域 0, 1（exp(cost) 对大值可能溢出为 inf，kernel 会通过 NaN 安全收敛判断退出循环，但输出可能包含 NaN）。
迭代次数由 tol 控制，无最大迭代次数上限（非 NaN 场景 Sinkhorn 数学上保证收敛）。
BF16 支持依赖 SoC 版本：950 和 910B~910E 支持 BF16，其他平台仅 FLOAT/FLOAT16。
950 上 FP16/BF16 的 Cast 使用 VF 寄存器指令（NPU_ARCH == 3510），A2/A3 使用标准 Cast() API。
💡 备注（选填）