OpenROAD项目中GRT修复天线违规时使用底层路由层的问题分析
问题背景
在OpenROAD项目的物理设计流程中,全局路由(GRT)和详细路由(DRT)是关键的布线阶段。近期发现了一个与天线效应修复流程相关的布线层违规问题,当GRT在修复天线违规时,会意外使用低于设计允许范围的路由层(如M1层),导致后续流程出现错误。
问题现象
在修复天线效应的过程中,GRT会生成一个长距离的M1层导引(guide),而该层实际上低于设计允许的最低路由层(通常从met1开始)。这导致详细路由阶段报错,提示导引使用了不允许的路由层。
具体表现为:
- 在首次天线修复迭代中,GRT生成了M1层的长导引
- 详细路由检查失败,提示"Guide uses layer li1 (2) that is outside the allowed routing range [met1 (4), met5 (12)]"
技术分析
根本原因
经过分析,这个问题主要源于两个方面的因素:
-
DRT保存导引更新标志:当启用
-save_guide_updates标志时,DRT会修改导引信息,可能导致使用不允许的路由层。在标准OpenROAD流程中未使用此标志,但在某些测试配置中启用了它。 -
初始详细路由尝试:即使在标准流程中,首次详细路由尝试时也可能出现此问题,因为此时DRT尚未对导引进行任何修改,表明问题可能存在于GRT自身的导引生成逻辑中。
影响范围
该问题影响多个工艺节点和设计:
- sky130工艺(包括hs和hd变体)
- nangate45工艺
- 不同规模的设计(从ibex小型设计到swerv_wrapper等较大设计)
解决方案
针对此问题,开发团队采取了以下措施:
-
移除问题标志:在测试流程中移除了可能导致问题的
-save_guide_updates标志,解决了部分场景下的问题。 -
深入修复:对于标准流程中出现的问题,需要对GRT的导引生成逻辑进行修正,确保其遵守设计设置的路由层约束。
技术启示
这个问题揭示了物理设计流程中几个重要的技术点:
-
层约束传播:在整个设计流程中,层约束信息需要正确传播到所有工具阶段,包括GRT和天线修复。
-
工具交互:不同工具间的交互(如GRT与DRT)需要谨慎处理导引信息,避免违反设计规则。
-
测试覆盖:需要加强边缘案例的测试覆盖,特别是涉及特殊层使用和天线修复的场景。
结论
OpenROAD团队已经识别并部分修复了GRT在天线修复流程中使用不允许路由层的问题。该问题的解决不仅修复了当前错误,也为未来处理类似层约束问题提供了参考。对于物理设计工程师而言,这提醒我们在使用自动化工具时需要密切关注层约束的设置和传播,特别是在复杂流程如天线修复中。
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