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

Backgroud（背景信息）

为ChamferDistanceGrad新增了对Ascend 950架构的完整支持，并实现了配套的Tiling策略和SIMT计算内核。

本次开发主要针对ChamferDistanceGrad中存在的多点梯度聚合、并行写冲突以及Inf、NaN等特殊值精度不一致问题进行优化，保证算子在Ascend 950上的功能正确性、计算确定性和精度稳定性。

Origin（信息来源）

Vector算子开发七组

Benefit / Necessity （价值/作用）

Chamfer Distance主要用于衡量两个点集之间的相似程度，广泛应用于点云匹配、点云补全、三维重建、自动驾驶和三维生成模型等场景。

ChamferDistanceGrad负责Chamfer Distance的反向梯度计算，其结果会直接影响点云网络的训练精度。

该算子的梯度计算中，多个点可能同时向同一个目标点累加梯度。传统原子累加方案可能由于执行顺序不固定，导致普通浮点数及Inf、NaN场景下的结果存在差异。

本次实现通过确定性的梯度聚合方式，避免原子操作带来的累加顺序不确定问题，保证相同输入多次执行结果一致，并提升算子在特殊值场景下与Golden结果的一致性。

Design（设计方案）

1）实现ChamferDistanceGrad Tiling策略

新增ChamferDistanceGrad的Tiling实现，负责获取Ascend 950平台核数和UB资源，并完成输入Shape及维度关系校验。

Tiling侧校验两个点集的Batch和坐标维度保持一致，同时校验索引张量、上游梯度张量的Shape是否合法，并对元素数量和Workspace大小进行溢出保护。

2）采用按Batch维度切核

根据Batch数量和可用AIV核数计算实际使用核数，每个Batch仅由一个AICore负责处理。

该方案避免同一Batch被多个AICore同时写入，消除跨核数据竞争和跨核同步依赖，同时能够在多Batch场景下充分利用多核并行能力。

3）实现SIMT模板化计算内核

基于AscendC SIMT编程模型实现ChamferDistanceGrad计算内核，通过多个SIMT线程并行处理不同点及不同坐标维度的梯度。

内核支持不同浮点数据类型，并统一使用FP32完成中间计算，以提升低精度数据类型下的计算精度。

4）采用确定性Gather聚合方式

针对多个输入点可能映射到同一个目标点的场景，不使用AtomicAdd进行并行散射累加。

每个输出元素由唯一SIMT线程负责，该线程遍历索引信息并按照固定顺序收集所有相关梯度贡献，从而将Scatter累加转换为Gather聚合。

该方案能够避免原子操作执行顺序不同导致的结果波动，保证算子计算结果具有确定性。

5）优化Inf和NaN特殊值处理

针对输入或梯度中包含Inf、-Inf和NaN的场景，实现符合IEEE语义的加法、减法和乘法处理。

通过固定的计算与累加顺序，保证正负无穷相加、零乘无穷以及NaN传播等场景下的结果稳定，提升与竞品Golden的精度一致性。

6）增加异常与边界保护

内核侧增加维度、核数和索引范围保护，避免非法索引导致越界访问。

Tiling侧增加Shape合法性、整数范围、元素数量及Workspace大小检查，提高算子的稳定性和可维护性。