需求:
基于HCCL 扩展分布式共享内存执行环境，把 simpler 在A2/A3 多卡上跑通 ，构建基础的分布式执行能力
以 2-Chip Tensor Parallelism（Linear → AllReduce → FFN）为例，展示从通信域建立到 kernel 执行完成的完整流程。
阶段 Host (Python/C) Chip 0 NPU Chip 1 NPU
──── ─────────────── ────────── ──────────
│
① 通信域建立 ├─ HCCL init / shmem mmap
├─ 分配本地 GM buffer
├─ 地址交换 (AllGather)
├─ 分配共享信号量区域
├─ 构建 RemoteAddressTable
│
② Runtime 初始化 ├─ init_runtime(args=[
│ local_buf, peer_buf,
│ sem_base, rank, ...])
│
③ Kernel 下发 ├─ launch_runtime() ──────→ AICPU 启动 AICPU 启动
│ Orchestrator 开始构图 Orchestrator 开始构图
│
④ 编排+执行 │ ┌──────────────────────┐ ┌──────────────────────┐
│ │ submit Linear task │ │ submit Linear task │
│ │ submit AR_step tasks │ │ submit AR_step tasks │
│ │ (pto-comm-isa) │ │ (pto-comm-isa) │
│ │ submit FFN task │ │ submit FFN task │
│ │ w/ WAIT param │ │ w/ WAIT param │
│ └──────────────────────┘ └──────────────────────┘
│ │ │
│ Scheduler → AICore Scheduler → AICore
│ [Linear ████] [Linear ████]
│ [AR step0] ←──── HCCS ────→ [AR step0]
│ [AR step1] ←──── HCCS ────→ [AR step1]
│ ... SIGNAL sem ... ... SIGNAL sem ...
│ │ │
│ WaitPoller: sem ✓ WaitPoller: sem ✓
│ [FFN ████] [FFN ████]
│
⑤ 同步+回收 ├─ rtStreamSynchronize()
├─ 读回结果 / 下一轮
需求:
基于HCCL 扩展分布式共享内存执行环境，把 simpler 在A2/A3 多卡上跑通 ，构建基础的分布式执行能力
以 2-Chip Tensor Parallelism（Linear → AllReduce → FFN）为例，展示从通信域建立到 kernel 执行完成的完整流程。