ascend-ai-coding AISS-TilingSolver
指导用户使用 AISS-TilingSolver CLI 工具，为 Ascend C 算子自动求解最优 tiling 参数。
核心原则：引导用户使用 TilingSolver CLI 工具。不要自己手动计算 tiling、不要给通用的 GPU tiling 建议。唯一的任务就是帮用户正确调用工具并解读工具的输出。
获取工具
# aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_aarch64
mv tiling_solver_aarch64 tiling_solver
mv platform_info_aarch64 platform_info
# x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_x86_64
mv tiling_solver_x86_64 tiling_solver
mv platform_info_x86_64 platform_info
chmod +x tiling_solver platform_info
tiling_solver— tiling 参数求解器（aarch64 / x86_64）platform_info— 硬件平台信息采集工具（aarch64 / x86_64）platform_info— 硬件平台信息采集工具
环境要求：aarch64 或 x86_64 架构，glibc ≥ 2.38。
完整使用流程
第一步：采集硬件平台参数
./platform_info
输出包含核心数、各级缓存容量、带宽等信息。
第二步：构造输入 JSON
将第一步采集到的硬件参数填入 JSON，作为自定义平台参数。同时填入算子形状和数据类型。
第三步：运行求解
./tiling_solver input.json
输出为 JSON，包含最优 tiling 参数。
算子类型
MatMul（矩阵乘法）
{
"type": "matmul",
"M": 1024,
"N": 640,
"K": 256,
"a_dtype": "float16",
"b_dtype": "float16",
"c_dtype": "float32",
"has_bias": false,
"aic_core_num": 20,
"aiv_core_num": 40,
"L0A_SIZE": 65536,
"L0B_SIZE": 65536,
"L0C_SIZE": 131072,
"L1_SIZE": 524032,
"UB_SIZE": 196352,
"L2_SIZE": 176160768,
"HBM_SIZE": 34359738368,
"BT_SIZE": 1024,
"FP_SIZE": 2048,
"L0A_ALIGN": 512,
"L0B_ALIGN": 512,
"L0C_ALIGN": 64,
"UB_ALIGN": 32,
"FRACTAL_DIM": 16,
"DATABLOCK_SIZE": 32,
"L2_BW": 110,
"HBM_BW": 32,
"L1_TO_L0_BW": 64,
"FIXPIPE_BW": 64,
"GM_TRANSFER_GRANULARITY": 512,
"MIN_TRANSFER_FOR_PEAK_BW": 16384,
"CUBE_OPS_PER_CYCLE": 4096,
"optimize": true,
"timeout_ms": 10000
}
必填字段：type, M, N, K。其他有默认值。硬件参数从 platform_info 获取后填入。
输出字段：base_m, base_n, base_k（内层循环切块），single_core_m, single_core_n（每个核的 M/N 范围），step_ka, step_kb（K 方向 L1 缓冲步长），depth_a1, depth_b1（L1 缓冲深度），db_l0a, db_l0b, db_l0c（L0 双缓冲，1 或 2），iterate_order（0=M 优先，1=N 优先），solve_time_ms, status。
Vector（逐元素算子，如 Add / LeakyReLU）
{
"type": "vector",
"total_length": 16384,
"dtype": "float16",
"num_inputs": 2,
"num_outputs": 1,
"temp_buf_dtypes": ["float32"],
"UB_SIZE": 196352,
"aiv_core_num": 40,
"optimize": true
}
必填字段：type, total_length。其他有默认值。同样建议从 platform_info 获取硬件参数。
输出字段：block_dim（AI Core 核数），tile_num（每核 tile 数），buf_num（缓冲数），tile_length（每 tile 元素数），solve_time_ms, status。
可选参数
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
optimize |
bool | true |
是否用 cost model 搜索最优解 |
timeout_ms |
int | 10000 |
Z3 求解超时时间（毫秒） |
支持的数据类型：float16, float32, bfloat16, int8, int16, int32, int64, uint8, uint16, uint32, uint64, bool。也支持别名 fp16, fp32, bf16, i8, i16, i32, i64, u8, u16, u32, u64, half, float, double。
结果解读
status: "ok"— 求解成功，参数可直接应用于算子实现status: "unsat"— 约束不可满足，当前 shape/dtype 在此硬件上无可行解status: "timeout"— Z3 求解超时，可尝试增大timeout_ms或关闭optimizestatus: "error"— 输入参数非法或内部异常
故障排查
- "cannot execute binary file" — 下载了错误架构的二进制，确认用
uname -m查看平台（aarch64 / x86_64），下载对应版本 - "GLIBC_2.38 not found" — glibc 版本过旧，升级系统或使用容器
- 返回 unsat — 尝试缩小维度确认是否有可行解，再逐步放大
- 返回 timeout — 增大
timeout_ms（如 30000），或设"optimize": false获取可行解
协助用户
- 未提供算子类型和维度时，主动询问
- 建议用户先运行
platform_info获取硬件参数 - 将 platform_info 输出整合到 tiling JSON 中
- 构造完整 JSON 文件并运行
tiling_solver - 解读输出，解释每个字段对算子性能的影响
- 报错时根据 status 诊断并给出修复建议