移动 昇腾950PR架构解读.md 到昇腾950PR硬件目录

昇腾950PR/昇腾950PR架构解读.md

@@ -0,0 +1,177 @@
+# 昇腾 950PR 微架构及规格详解（面向高性能 Matmul 算子开发）
+
+> 资料来源（均为华为官方一手资料）：
+> - 《昇腾 950 NPU 架构白皮书》—— `昇腾NPU知识库/00_硬件/昇腾950_NPU架构白皮书.pdf`
+> - CANN 商用版 9.0.0《Ascend C 算子开发》编程指南（NPU 架构版本 351x）—— `昇腾NPU知识库/CANN商用版9.0.0/`
+> - CANN 9.0.0 版本说明（确认 950PR 支持特性）
+> - cann-samples `matmul_story` 性能建模文档（L2 带宽、MTE 带宽、性能公式）—— `昇腾NPU知识库/代码仓/cann-samples/Samples/2_Performance/matmul_story/`
+> - 昇腾官网 Ascend 950PR 产品页
+
+---
+
+## 1. 产品定位
+
+昇腾 950 系列是华为第三代达芬奇（DaVinci）架构旗舰芯片，包含 **950PR** 与 **950DT** 两款，**共架构设计**，通过搭配不同的片上内存实现差异化：
+
+| | 昇腾 950PR | 昇腾 950DT |
+|---|---|---|
+| 定位 | LLM **Prefill**、高性能推荐、多模态推理 | 大模型训练 + 推理全流程（含 Decode） |
+| 片上内存 | 128GB / **1.6TB/s** | 144GB / **4TB/s** |
+| 产品形态 | Atlas 350 加速卡 | Atlas 850E / 950 SuperPoD 超节点、Atlas 650E 服务器 |
+
+**关键洞察：950PR 是"算力/带宽比"极高的芯片。** 它的算力与 950DT 接近（同架构、同核心规模），但 HBM 带宽只有后者的 40%。这决定了它天然适合 Prefill、推荐这类**计算密集型（高算术强度）**负载。对 matmul 算子开发的直接推论：**在 950PR 上，带宽是最宝贵的资源，Tiling 与 L2/L1 数据复用策略比在 DT 上更关键。**
+
+## 2. 芯片级架构：Chiplet 合封
+
+- 整芯片合封 **2 个 AI Die + 2 个 IO Die + 8 个高速片上内存模块**（950PR；950DT 为 4 个内存模块），通过高速 D2D Clink 与 Memory Interface 互连
+- 全芯片 **UMA（统一内存访问）**：地址空间统一管理，可跨 Die 访问 L2 Cache，Die 间 L2 一致性由硬件维护、软件不感知；L2 具有局部亲和性
+- 满配 36 个 AI 子系统（每个含 1 Cube Core + 2 Vector Core）、4 个 AI CPU Cluster（自研 Linx816，ARMv8-A，物理双线程，每 Cluster 4MB L3）、4 个 DVPP 子系统（4 VPC + 4 JPEGE + 8 JPEGD）
+- 新一代硬件调度器 STARS 2.0、128MB 统一 L2 Cache
+
+## 3. 核心规格表（950PR）
+
+| 规格项 | 满配 | 衍生版 |
+|---|---|---|
+| Cube Core (AIC) | 32 | 28 |
+| Vector Core (AIV) | 64 | 56 |
+| **Cube 算力 BF16/FP16** | **432 TFLOPS** | 378 |
+| Cube 算力 TF32 | 216 TFLOPS | 189 |
+| Cube 算力 FP8 / HiF8 / MXFP8 | 865 TFLOPS | 756 |
+| Cube 算力 **MXFP4** | **1730 TFLOPS** | 1513 |
+| Cube 算力 INT8 | 865 TOPS | 756 |
+| Vector 算力 FP16/BF16 | 54 TFLOPS | 47 |
+| Vector 算力 FP32 | 27 TFLOPS | 23 |
+| Vector 算力 INT8 / INT16 / INT32 / INT64 | 54 / 27 / 13 / 6 TOPS | 47 / 23 / 11 / 5 |
+| Cube+Vector 总峰值 MXFP4 | **1784 TFLOPS** | 1561 |
+| 片上内存容量 / 带宽 | 128GB / 1.6TB/s | 112GB / 1.4TB/s |
+| L2 Cache | 128MB | 112MB |
+| 互联 | 灵衢 UB 2.0：18 Port × 4×112Gbps，2016GB/s 双向；PCIe 5.0 x16（128GB/s，EP/RC 双模）；2×400G UBoE | 同 |
+
+### 3.1 单核算力与频率（已确认值）
+
+CANN 官方 matmul 性能建模文档给出的 950PR 硬件参数为 **32 核、1.65GHz**，由此可得：
+
+- **单 AIC BF16 算力 = 432 / 32 = 13.5 TFLOPS**
+- Cube 每拍完成 FP16/BF16 16×16×16 矩阵乘（8192 FLOPs/拍），13.5 TFLOPS / 8192 FLOPs ≈ **1.65GHz**，与官方参数自洽
+- 单 AIC 分摊的 HBM 带宽仅约 **1.6TB/s ÷ 32 ≈ 50GB/s** → BF16 matmul 要喂饱一个 Cube，需要约 270 FLOP/Byte 的算术强度，必须依靠 L1/L2 的大 tile 复用达成
+
+## 4. 存储层级与带宽体系
+
+### 4.1 存储层级容量（每核）
+
+| 存储 | 容量 | 对齐要求 | 说明 |
+|---|---|---|---|
+| 高速片上内存（GM） | 128GB（整芯片） | — | 950PR 1.6TB/s |
+| L2 Cache | 128MB（整芯片） | 512B line，4×128B Sector | 全芯片 UMA 共享 |
+| L1 Buffer | 512KB / AIC | 32B | 推荐 NZ 分形 |
+| L0A Buffer | 64KB / AIC | 512B | 左矩阵，**351x 架构改为 NZ 分形** |
+| L0B Buffer | 64KB / AIC | 512B | 右矩阵，ZN 分形 |
+| L0C Buffer | **256KB / AIC** | 64B | 矩阵乘结果/中间结果（FP32 累加），比上代更大，Tiling 更灵活 |
+| Unified Buffer (UB) | 512KB / AIV | 32B | 向量计算主存储，无格式要求 |
+| SIMD RegFile | VL = 256B 位宽 | — | UB 与 Vector ALU 间新增寄存器层，中间结果不必回写 UB |
+| SIMT RegFile | 128KB / AIV | — | SIMT 线程寄存器（1~256 线程时每线程 127 个寄存器） |
+
+### 4.2 带宽数值总表（950PR，32 核 / 1.65GHz 满配）
+
+| 链路 | 带宽 | 出处与说明 |
+|---|---|---|
+| **GM（HBM）总带宽** | **1.6TB/s** | 白皮书规格值，**不区分读写单向** |
+| **L2 Cache 带宽** | **5.2TB/s**（≈ GM 的 3.3 倍） | cann-samples matmul_story 性能建模文档（32核/1.65GHz/1.6TB/s 参数与 950PR 满配一一对应） |
+| MTE2（GM/L2→L1） | 受 HBM 与 L2 共同决定，见 4.3 综合带宽模型 | 矩阵数据唯一入口 |
+| MTE1（L1→L0A/L0B） | **256 BPC ≈ 422.4GB/s**（单 AIC） | 同上（BPC = Byte Per Cycle，×1.65GHz 换算） |
+| MTE3 / Fixpipe 搬出（L0C→GM/UB） | **256 BPC ≈ 422.4GB/s**（单 AIC） | 同上 |
+| Vector ALU | 256B/拍 | 架构规格文档 |
+
+> 注意区分：CANN 文档中"L2 192MB / 读写混合带宽 7TB/s / GM 1.6TB/s"的 L2 Cache 切分案例针对的是 Atlas A3 系列（L2 192MB），**不是 950PR**（L2 128MB）。950PR 应使用 **L2 = 5.2TB/s** 这一数值。
+
+### 4.3 GM 带宽要不要区分读写？
+
+**结论：建模与分析时要区分，但官方只发布总带宽 1.6TB/s，单向读写带宽无公开数值，需以 msProf 实测为准。** 要点如下：
+
+1. **官方规格口径**：白皮书只给出 1.6TB/s 总量，未区分读/写。HBM 物理上读写共享数据总线，读+写合计不能超过总带宽；读写混合流量还存在总线转向（bus turnaround）开销，混合流的有效带宽低于纯读。
+2. **Profiling 口径是分读写的**：msProf `op_summary` 提供 `main_mem_read_bw` / `main_mem_write_bw`（GM 读/写带宽）、`ub_read_bw` / `ub_write_bw`、`l1_read_bw` / `l1_write_bw` 等字段。注意 **Atlas 350 加速卡（即 950PR）不支持 `l2_read_bw` / `l2_write_bw` 字段**，L2 带宽需结合 MTE2 流水与命中率间接评估。
+3. **Matmul 场景的读写竞争来源**：
+   - 读侧：MTE2 搬入 A/B 矩阵（matmul 的主要 GM 流量）；
+   - 写侧：Fixpipe/MTE3 搬出 C 矩阵；
+   - 隐藏写流量：**L2 Cache 淘汰写回**。当数据访问总量超过 L2 容量（128MB），替换出的脏数据需先写回 GM，占用 GM 写带宽，再读入新数据——这是大数据量 matmul 中容易被忽视的带宽损耗，也是对一次性输出设置 L2 `non-allocate` hint 的动机。
+4. **MTE2 综合带宽模型**（官方 matmul 性能建模文档）：
+
+   ```
+   BandWidth_MTE2 ≈ (1 - L2HitRatio) × 1.6TB/s + L2HitRatio × 5.2TB/s
+   T_MTE2 ≈ Size_HBM / 1.6TB/s + Size_L2 / 5.2TB/s
+   ```
+
+   其中 `Size_HBM` 为首次从 HBM 搬入的数据量，`Size_L2` 为命中 L2 的重复搬运量。工作集超过 L2 容量或存在多核竞争时以实测为准。
+
+## 5. AI Core 微架构（351x 架构版本）
+
+950 系列对应 CANN 的 **NPU 架构版本 351x**，AIC/AIV 分离架构，配比 **1:2**，每核有独立 Scalar 单元、可独立加载代码段。
+
+![昇腾950PR_数据通路](昇腾950PR_数据通路.svg)
+
+
+
+### 5.1 数据通路（351x 相对上代的关键变化）
+
+- **删除** GM→L0A/L0B 直达通路、L1→GM 回写通路 → **一切矩阵数据必须经 L1 进入**，Tiling 设计围绕 L1(512KB) / L0A/L0B(64KB) / L0C(256KB) 三级组织
+- **新增 L0C→UB、UB↔L1 直连通路（CV 融合通道）**：matmul 结果可从 L0C 直接送 AIV 的 UB 做后处理（Softmax、GELU 等），不必绕道 GM——这是 FlashAttention 类融合算子单核性能提升 1.5~2 倍的硬件基础
+- **新增 UB↔L1 硬通道**、GM↔UB 搬运支持 Loop 模式（Normal/Compact）
+- **Fixpipe 随路硬化**：L0C 输出阶段直接完成 FP32/INT32 → BF16/FP16/FP8/INT8 量化、ReLU/PReLU/LeakyReLU 激活、NZ↔ND/DN 排布转换（Channel merge/split）→ matmul+量化融合零额外搬运
+- **NDDMA 指令**：核内多维 DMA，最多 5 维重排随搬运完成，硬化地址生成，内置缓存把离散读聚合成 128B 访问
+- **AIC↔AIV 核间通信走 SSBuffer**（上代走 GM），延迟更低
+
+### 5.2 Cube Core（矩阵计算单元）
+
+- 支持 FP32 / TF32 / FP16 / BF16 / HiF8 / FP8_E4M3 / MXFP8 / MXFP4 / U8 / S8
+- 每拍：FP16 16×16×16；INT8 16×32×16；**FP8 系 = 2× BF16 算力，MXFP4 = 4× BF16 算力**
+- L0C 更大（256KB）→ 更灵活的 Tiling、更高数据复用率
+- **HiF8**：华为自研 8bit 浮点，变长前缀码指示阶码位宽，锥形精度，38 个阶码（[-22, 15]，接近 FP16 的 40 个），无需 MXFP8 的 8bit 缩放因子
+
+### 5.3 Vector Core（向量计算单元）
+
+- 从传统 SIMD 升级为**双发射 Register-Based SIMD**，支持乱序执行；单核 FP16/FP32 算力较上代**提升 100%**
+- 原生 BF16，丰富量化/反量化转换指令；针对 Softmax、GELU 优化微架构
+- **SIMD/SIMT 混合编程**（SIMD 为主、SIMT 为辅）：SIMT 面向 gather/scatter、复杂分支；每 AIV 4 个 Warp Scheduler、128KB SIMT RegFile、最大 128KB DCache（复用 UB 作 cacheline，访存粒度 128B）
+- UB bank 结构升级：每个 bank group 两组读写口，最多同时 2 读或 1 读 1 写（上代 1 读或 1 写）
+
+### 5.4 同步机制
+
+- 新增 **BufferID 同步**（`get_buf()`/`rel_buf()`，类互斥锁语义），比 set_flag/wait_flag 内聚性更强
+- 核内同步：SetFlag/WaitFlag + EventID（需成对、及时释放、勿手动占用预留 ID）
+- 核间同步：CrossCoreSetFlag/CrossCoreWaitFlag，支持 AIC:AIV 1:1 与 1:2 模式，flagId 0~10、同一 ID 最多计 15 次
+- **注意：Matmul 高阶 API 内部已使用 CrossCore 核间同步，不要与其混用，避免 flagId 冲突**
+
+## 6. 周边子系统（简版）
+
+- **L2 Cache 128MB**：多 Bank 分布式、512B 低位交织（高位异或）、512B Cache Line + 128B Sector Cache（128B/256B 访问更高效）、每 Bank 支持同时读写；支持算子可控 **L2 hint**（allocate / non-allocate）与 **CMO**（Prefetch/Writeback/Invalid/Flush）；离散小包、随机访存场景同带宽下性能较上代提升 2 倍+
+- **STARS 2.0**：2048 条任务流 Host 下沉；HSCB 专用高速控制总线，调度开销 ns 级；支持最多 8 个 Group 的亲和性调度（按 Die 分组利用 L2 局部性）；算力切分（AIC/AIV/SDMA 最多 16 资源池）
+- **AI CPU**：4 Cluster × 2 Linx816（ARMv8-A，物理双线程），承载控制类任务与 CPU 类算子
+- **互联**：灵衢 UB 2.0，2016GB/s 双向；URMA 异步语义（Jetty 队列，RTP/CTP 两种传输层）+ UB Memory 同步语义（Load/Store/Atomic，最高 128TB 内存共享）；**CCU 集合通信硬件卸载**（Broadcast/ReduceScatter/AllGather/AllReduce/All2All(v)）；超节点规模 384 卡 → **8192 卡**，集群 >128K 卡
+
+## 7. 对 Matmul 算子开发的启示
+
+1. **数据通路约束**：GM→L0A/L0B 无直达通路，一切矩阵数据经 L1。L0C 256KB 恰好放下 256×256 FP32 累加块（单份），即 baseM = baseN 的理论上限约 256。
+2. **Tiling 目标 = Cube Bound**：以官方建模公式判断瓶颈流水，`T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE [, T_VF])`：
+   - 避免 MTE1 Bound：baseM = baseN ≥ 80（16 的倍数）即可使 MTE1 耗时低于 MMAD；
+   - 避免 MTE2 Bound：baseM = baseN = 256 时达成 Cube Bound 需 MTE2 带宽 ≥ 2.64TB/s——超过 HBM 的 1.6TB/s，**必须靠 L2 命中补足：L2 命中率达到约 28.9% 时 MTE2 不再是主瓶颈**；
+   - 数据量超 L2 容量时使能 **L2 Cache 切分**（Matmul 高阶 API 已支持）。
+3. **AIC:AIV = 1:2**：优先使用 AscendC Matmul 高阶 API（已处理 Cube/Vector 流水编排与核间同步）；手写底层 matmul 注意 CrossCore flagId 冲突。
+4. **优先利用 CV 融合通路**：matmul 后接量化/激活/Softmax 时走 L0C→UB / Fixpipe 随路处理，避免 GM 往返——在带宽紧张的 950PR 上收益比 950DT 更大。
+5. **低精度是算力大头**：1784 TFLOPS 峰值只有 MXFP4 能达到，FP8 系为 BF16 的 2 倍。推理 matmul 优先考虑 MXFP8/HiF8（权重 weightNz 格式）+ Fixpipe 随路反量化；CANN 9.0.0 起 950PR 新增 MM 融合算子与 mxfp8 weightNz 支持。
+6. **精打细算 GM 带宽**：权重驻留 L2（hint）、一次性输出设 non-allocate（避免挤占 L2 并减少淘汰写回的 GM 写流量）；读写共享 1.6TB/s 总带宽，C 矩阵搬出与 A/B 搬入存在竞争。
+7. **参考实现**：`昇腾NPU知识库/代码仓/catlass`（华为开源矩阵计算模板库，类 CUTLASS）、`代码仓/ops-math`、`代码仓/ops-blas`（gemm）、`代码仓/cann-samples/Samples/2_Performance/matmul_story`（含普通/量化/MXFP8/MXFP4 matmul 的完整性能建模与调优案例）。
+
+## 8. 关键数值速查
+
+| 参数 | 数值 |
+|---|---|
+| AIC / AIV 数量 | 32 / 64（满配），28 / 56（衍生） |
+| 主频 | 1.65GHz |
+| Cube 算力 BF16 | 432 TFLOPS（单 AIC 13.5） |
+| Cube 算力 FP8 / MXFP4 | 865 / 1730 TFLOPS |
+| GM 容量 / 带宽 | 128GB / 1.6TB/s（总带宽，读写共享） |
+| L2 容量 / 带宽 | 128MB / 5.2TB/s |
+| L1 / L0A / L0B / L0C / UB | 512KB / 64KB / 64KB / 256KB（每 AIC）；512KB（每 AIV） |
+| MTE1 / MTE3 带宽 | 256 BPC ≈ 422.4GB/s（单 AIC） |
+| Cube Bound 最小 MTE2 带宽（baseM=baseN=256） | 2.64TB/s（L2 命中率 ≥28.9% 可达成） |
+| 互联带宽 | UB 2.0 2016GB/s 双向；PCIe 5.0 x16 128GB/s |