企业官网建设流程全解析

PidTuningRuleBatch Benchmark Report

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred

测试环境

• NPU 环境：node202
• SOC：Ascend910B3
• NPU device：3
• CANN：/usr/local/Ascend/ascend-toolkit
• CPU 对比线程数：64
• 数据类型：float32

测试口径

• cpu_single_ms：单线程 C++ reference。
• cpu_64_ms：64 线程 C++ reference。
• npu_kernel_ms：输入已在 Device，仅统计算子执行时间。
• npu_e2e_ms：包含 4 个输入 H2D、kernel、2 个输出 D2H。

输出：

pid_params[B, 3, 3] # Kp, Ki, Kd diagnostics[B, 3, 4] # valid, dead_time_ratio, aggressiveness, lambda_ratio

正确性

Smoke：

PidTuningRuleBatch smoke passed.

Python reference 覆盖：

• vectorized reference 与逐条 loop reference 对齐。
• 固定手算工况校验 Ziegler-Nichols、IMC、Cohen-Coon 输出。
• 无效输入被过滤，pid_params清零且valid=0。
• 输出 shape 与有限性检查通过。

NPU 版本采用单核 launch 写回pid_params/diagnostics，避免轻量标量SetValue多核写同一 cache line 时可能出现的写回一致性问题；这类规则整定计算本身很轻，单核写回对 E2E 主链影响很小。

性能数据

结论

PidTuningRuleBatch是低算术强度的闭式公式算子。小 batch 下 NPU e2e 可以快于 CPU 64T；大 batch 下 CPU 多线程对这类简单公式已经很高效，单独调用时 NPU e2e 并不总是占优。

因此该算子的推荐定位是 FOPDT E2E 链路中的 device-side 候选生成阶段，而不是独立性能卖点。真正决定整定链路性能的阶段仍是 basis-GEMM 模型辨识、批量闭环 rollout 和后续融合指标计算。

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred