本案例呈现了在融合算子场景中，使用Matmul高阶API进行矩阵乘法计算时，A矩阵和B矩阵同时启用IBShare对性能的提升效果。
该案例的关键优化措施包括：
- 分核逻辑：以Cube核视角分核，Matmul计算结果输出到GM，提供给Vector核进行后续计算。
- 开启IBShare：A矩阵和B矩阵同时开启IBShare。
本案例的算子规格如下：
表 1 算子规格
[object Object][object Object]
[object Object]使用msProf工具获取算子的Profiling的数据，重点分析MTE2，Cube，Scalar的流水情况。
图 1 优化前Profiling数据[object Object][object Object]
通过分析以上Profiling数据可以看出，算子执行多次的平均耗时为27.11us，aic_scalar_time的平均耗时为26.27us，当前性能瓶颈点为Cube的Scalar流水。
A矩阵和B矩阵均未开启IBShare时，数据需要根据K轴、M轴或N轴进行切分计算。这里以K轴切分为例，未开启IBShare之前，算子以AIV Block为视角进行tiling切分，AIV0发起A0*B0的计算，AIV1发起A1*B1的计算。
图 2 未开启IBShare[object Object][object Object]
当A矩阵和B矩阵都启用IBShare时，可以一次性加载到L1 Buffer上，省去了切分，分开搬运的过程，同时Cube计算单元完全由AIV0单核驱动，发起一次计算，计算的结果由AIV0和AIV1共享，从而减少Cube响应的次数，减少Scalar计算。
图 3 开启IBShare[object Object][object Object]
开启IBShare和不开启IBShare的数据交互对比示意图如下：
通过设置A和B矩阵MatmulType的IBShare均为true，开启该优化，具体代码如下：
优化后执行多次的平均耗时：22.44us，较优化前有较大提升。
图 4 优化后Profiling数据[object Object][object Object]
融合算子场景下，Matmul A矩阵和B矩阵同时开启IBShare，以Cube核视角分核，可以有效减少Cube侧的Scalar开销，提升性能。