Perf: 优化A5双Die任务局部性与SPMD派发

[yanghaoran29]

背景

A5由两个Die组成。Main按模4分配cluster，任务通过共享ready queue动态派发；这会让Scheduler访问远端AICore，并使细粒度producer/consumer依赖在两个Die间迁移。

本PR让任务domain、Scheduler负责的物理cluster和依赖链局部性保持一致，降低跨Die完成检测、依赖释放和再次派发开销。

方案

• 按连续物理cluster分配Scheduler：S0/S1负责Die0，S2/S3负责Die1。
• 为任务显式标记GLOBAL、DIE0或DIE1，并为AIC/AIV/MIX维护对应ready queue。
• completion、async-wait和deferred-release传播任务domain；同Die producer/consumer可通过Scheduler-local continuation直接续接。
• 增加DIE_AFFINE和AUTO_DIE_AFFINE scope，分别保持显式依赖和TensorMap自动依赖语义，同时固定局部依赖链所在Die。
• BGEMM按GEMM+ADD group分Die；PA unroll/manual PA按batch链分Die；Batch PA按chunk分Die；Alternating根任务在两侧均分。
• Qwen3让Gate/Up、SiLU和Down按MLP分片保持同Die。非sync-start多核SPMD拆成两个逻辑block区间，分别提交到两个Die；24核sync-start attention保持GLOBAL。具有85路fanin的dcr_xgamma保持单个5核任务，避免复制fanin和额外汇合。

性能

设备为Ascend950PR_9579卡1，CANN 9.2.0。非Qwen每个case运行100轮；Qwen运行5轮，按Device删除最快和最慢轮次后取中间3轮。Main使用同卡历史数据，基线commit为3b578e30a2a9e2859d19908b2647393ffdecc543。负数表示本PR更快。

Case	Main Device	本PR Device	变化
alternating_matmul_add Case1	1,441.850 us	1,314.125 us	-8.858%
benchmark_bgemm Case0	1,458.300 us	1,398.427 us	-4.106%
paged_attention_unroll Case1	1,558.700 us	1,540.087 us	-1.194%
paged_attention_unroll Case2	901.100 us	881.411 us	-2.185%
paged_attention_unroll_manual_scope Case1	1,629.500 us	1,496.358 us	-8.171%
paged_attention_unroll_manual_scope Case2	925.550 us	876.091 us	-5.344%
batch_paged_attention Case1	7,434.600 us	5,444.691 us	-26.766%
qwen3_14b_decode StressBatch16Seq3500	36,083.248 us	35,081.800 us	-2.775%
8 case几何平均			-7.787%

8个case均优于历史Main，其中7个改善超过2%。完整数据见outputs/pr-final-all-swimlanes-card1-20260827/comparison.md和summary.csv。

验证

• 全部8个benchmark运行成功。
• Qwen拆分SPMD版本完成一次完整golden，结果PASS。
• 当前PR代码在卡1为8个case各采集一次4级泳道，状态8/8 PASS。
• 最新泳道位于outputs/pr-final-all-swimlanes-card1-20260827/<case>/merged_swimlane.json，可直接导入Perfetto；同目录保存kernel名称映射。
• 泳道存在观察者效应，因此性能表使用关闭泳道的多轮benchmark，泳道仅用于检查任务推进和Die分布。

已知限制

• Main为同卡历史数据，不是同一时间窗口内的交叉A/B。
• 任务domain需要由样例选择合适粒度；标注不完整可能造成单Die空闲，粒度过细则会增加提交和汇合成本。
• 多ready queue、domain传播和local-continuation判断会增加固定指令开销。
• Qwen的dcr_xgamma具有85路fanin，不能像普通SPMD一样直接对半拆分；当前保留为GLOBAL单任务。