自定义开发 + 高收敛度,Fusion Compiler颠覆芯片创新

Synopsys Editorial Staff

Mar 09, 2021 / 1 min read

顺序化、分隔化的芯片设计时代已经结束。在先进工艺节点下,布局会影响性能,性能会影响功耗,而布线则会影响每一个方面。要想解决这些挑战,则需要设计任务交错进行。例如,将设计后期的布线信息提供给初期使用的综合工具,提高收敛能力,这种技术通常称为左移(Shift-Left)。

过去,为了满足某些特定流程的要求,左移技术需要经过冗长的过程才能实现特定的部分技术在不同工具之间的传输。尽管这种技术有效,但每个客户的设计流程具有独特性,如果采用相同的流程,设计效率就会受到限制,设计团队无法基于统一的共享数据模型轻松创建定制的超高收敛设计流程。而现在,情况发生了很大变化。

技术基础

自2018年起,新思科技开始探索由客户开发的、具有超高收敛度的设计流程,并成功推出了Fusion Compiler RTL-to-GDSII解决方案,它是业界唯一一个能够真正意义上将RTL-to-GDSII解决方案高度集成到同一个平台的工具,且可以将逻辑综合和物理实现统一在同一个数据库中,并具有良好的可拓展性。

其中的物理实现引擎是研发团队重新研发的,这些最优的逻辑和物理设计引擎被整合到一个统一的平台,从而能够真正的交付给客户完整的RTL-to-GDSII设计流程。此外,可靠的黄金签核引擎与通用数据模型集成在一起,可以使物理设计实现工具与签核工具具有很好的一致性,这些经验证的引擎可以在Fusion Compiler流程中的任何位置直接访问。

技术基础

该RTL-to-GDSII解决方案为我们的客户提高生产力和灵活性铺平了道路。我们一系列的技术创新也使得客户在芯片设计流程中具有了颠覆性的创新能力。数据显示,客户的最终设计质量提高了20%,得到结果的时间缩短了2倍,而这仅仅是开始。

借助单一可扩展的数据模型,客户现在可以使用统一的界面控制RTL-to-GDSII的整个流程,这使得客户有史以来第一次能够根据自己的特定需求来创建超高收敛度的设计流程。不得不说,这样的结果是非常令人兴奋的。

由客户开发的超高收敛度设计流程正式面世

改变绝非易事,摒弃过去行之有效的方法是很困难的,芯片设计流程也是如此。

此前,设计团队往往需要长达数年的努力,为高度复杂的设计任务开发脚本、验证技术文件、并验证最终结果。新技术虽然有望实现设计流程的巨大进步并带来竞争优势,但转向新技术则是一个循序渐进的过程,需要谨慎行事。

已有大量客户开始将现有的分散设计流程转移到统一平台上,即可实现基于软件架构的PPA和效率优势。最早的一批客户已经进入生产部署阶段,其中不少客户已经准备开启芯片设计的新篇章。现在,客户可以通过控制设计流程的收敛性来打造更优秀的芯片。

以下是一些客户的真实创新案例。

 

通过统一的物理综合来提高逻辑和物理一致性

一家移动通信领域的半导体公司希望统一逻辑综合和布局流程,如自动版图设计。该公司使用Fusion Compiler统一界面创建了统一的物理综合流程,以实现以下目标:

  • 更好的PPA
  • 更快的运行时间
  • 更好的逻辑和物理一致性
更好的PPA

下图总结了该客户在Arm Cortex-A73上取得的设计结果,各方面指标都得到了全面的改进。

各方面指标都得到了全面的改进
综合前进行设计规划提高收敛能力

一家高性能计算公司希望在预综合阶段对通过RAM的关键信号线进行预布线和缓冲器(buffer)插入,这样做的目标是:

  • 提高时序并改善关键信号线的拥塞
  • 无需调用多个工具/界面
综合前进行设计规划提高收敛能力

同样,该流程采用Fusion Compiler统一界面进行开发,开发结果总结如下表所示。这也是通过方法学的创新实现巨大收益的成功案例。

开发结果总结如下表所示。

通过布局前的时钟综合来改善时序一致性

一家数据中心网络公司希望在布局之前创建早期的H树时钟主干线,以实现以下目标:

  • 更好的PPA
  • 改善时序收敛能力
综合前进行设计规划提高收敛能力

下图总结了使用Fusion Compiler统一界面的结果。在这一案例中,总负余量 (TNS) 成功改善了50%。

该流程采用

通过基于布局的逻辑优化来提高PPA
 

一家数据中心网络公司希望在布局之前创建早期的H树时钟主干线,以实现以下目标:

  • 提高结果质量,加快运行时间
  • 提高时钟树综合的设计输入
综合前进行设计规划提高收敛能力

实现结果如下表所示,该公司同样实现了全面的改进,达成了所有的目标。

该流程采用

未来展望

机器学习和预测可为芯片设计流程带来巨大益处。例如,Fusion Compiler采用机器预测来加快实现理想的优化解决方案,并防止DRC/时序在下游出现意外。机器学习的有效性直接取决于训练数据的质量。除了在之前的设计迭代阶段或项目中积累的大数据外,我们还有机会在流程的初期、在同一个运行过程中、或针对当前的设计版本来强化训练数据,这对于下游操作非常重要。

我们对上述客户取得的成效深感欣慰。

我们已做好充足准备,协助更多客户打开自定义开发超高收敛度设计流程的新世界大门。目前,所有客户都能自由地对设计流程进行创新。

未来展望

Continue Reading