fix(cuda): handle 64-lane warps in broadcast backward reduction

[chen2021673]

背景

BroadCast 反向传播 kernel 之前默认物理 WarpSize 为 32，在 32-lane 设备上运行正常，但在部分 WarpSize 为 64 的设备上会出现规约错误。

修改内容

• 将物理 Warp 划分为独立的 32-lane 逻辑 Warp
• 保留完整的 ballot mask，避免 64-lane mask 被截断
• 统一 shuffle、CUB 规约和共享内存的逻辑 WarpSize
• 新增跨多个逻辑 Warp 的广播乘法反向传播测试

测试

新增 {2, 64} * {2, 1} Broadcast Mul Backward 用例，验证：

• grad_a 均为 2
• grad_b 为 {64, 64}

maca C550 WarpSize=64 环境中测试：

CUDA 测试：

[kilinchange]

这个 pr 的主要解决的问题是，当 physical warp size != 32 时，能够正确得到当前 logical warp 内真正 in_bounds 的线程。

但这里有两个容易混淆的概念，建议区分一下 warpSize 和 kWarpSize 的语义：

• warpSize 是 CUDA built-in variable，表示 hardware physical warp size；
• kWarpSize 实际表示这个 kernel 使用的 logical warp size。

当前实现中的

uint64_t{0xffffffff} << logical_base

和

unsigned logical_active_mask

都隐含了 logical warp 固定为 32 lane 的假设，因此建议显式增加：

static_assert(
    kWarpSize == 32,
    "BinaryBackwardKernel assumes a 32-lane logical warp");

同时建议将 kWarpSize 重命名为 kLogicalWarpSize，避免与 built-in warpSize 混淆。

[chen2021673]

已修改，显式增加 static_assert 并将 kWarpSize 重命名为 kLogicalWarpSize。