Icarus Verilog 仿真器中的组合逻辑循环问题分析与解决
问题背景
在使用Icarus Verilog仿真器进行APB交叉开关(APB crossbar)设计验证时,开发者遇到了一个组合逻辑无限循环的问题。该设计主要由组合逻辑构成,仅仲裁器部分使用了时序逻辑。值得注意的是,同样的设计在VCS仿真器中能够正常运行,这表明问题可能与Icarus Verilog对某些特定语法结构的处理方式有关。
问题现象
设计中的APB交叉开关模块在Icarus Verilog仿真时陷入无限循环,具体表现为:
- 组合逻辑块不断重新计算
- 仿真无法正常推进
- 相同设计在VCS仿真器中工作正常
根本原因分析
经过深入分析,发现问题主要源于以下几个方面:
-
常量选择敏感度处理不足:Icarus Verilog对always_comb块中的常量选择支持不完善,会输出"constant selects in always_* processes are not currently supported"警告,导致组合逻辑块被过度重新计算。
-
编码风格问题:设计中使用了"先赋默认值,再条件更新"的编码风格:
signal = 0; if (condition) signal = 1;这种风格在组合逻辑中会产生毛刺,可能触发其他逻辑块的重新计算。
-
端口宽度不匹配:设计中存在端口宽度不匹配的情况,可能影响仿真的正确性。
解决方案
针对上述问题,可以采取以下改进措施:
-
优化敏感度控制:将常量选择移出always_comb块,改为使用中间信号:
logic [M-1:0] lms; logic se; logic [ADDR_WIDTH-1:0] sab, sal; assign master_sel[s_dec] = lms; assign se = SLAVE_ENABLE[s_dec]; assign sab = SLAVE_ADDR_BASE[s_dec]; assign sal = SLAVE_ADDR_LIMIT[s_dec]; -
改进编码风格:避免在组合逻辑中使用"先赋默认值"的模式,改用更直接的赋值方式。
-
简化组合逻辑:将简单的always_comb块替换为assign语句:
// 替换前 always_comb begin arb_gnt_mst[m][s] = arb_gnt[s][m]; end // 替换后 assign arb_gnt_mst[m][s] = arb_gnt[s][m]; -
使用最新版本:升级到最新版Icarus Verilog可以解决许多已知问题,开发者反馈在最新版本中该问题已不复存在。
经验总结
-
在使用Icarus Verilog进行复杂设计验证时,建议直接从Git仓库获取最新版本,而非依赖发行版。
-
组合逻辑设计应特别注意敏感度控制和编码风格,避免产生不必要的重新计算。
-
对于简单的信号连接,优先使用assign语句而非always_comb块。
-
仿真器间的行为差异可以作为问题诊断的线索,当出现问题时可以尝试在不同仿真器间交叉验证。
通过以上分析和改进,开发者成功解决了Icarus Verilog中的组合逻辑循环问题,设计验证得以顺利进行。这一案例也提醒我们在使用开源EDA工具时需要特别注意其特性与限制,合理调整设计风格以获得最佳效果。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00