OpenROAD项目中宏单元引脚对齐问题的分析与解决
问题背景
在OpenROAD项目的开发过程中,开发团队遇到了一个关于宏单元引脚对齐的技术问题。该问题出现在使用gpl-binSize-float分支对asap7/mock-array设计进行实现时,在全局布线(GRT)和详细布线(DRT)阶段出现了"无访问点"的错误。
问题现象
在实现流程中,系统报告了大量关于宏单元引脚无法通过布线轨道中心的警告信息,例如:
[WARNING DRT-0419] No routing tracks pass through the center of Term ces_2_3/io_outs_right[46]
[WARNING DRT-0418] Term ces_2_3/io_outs_right[47] has no pins on routing grid
最终导致全局布线阶段出现致命错误:
[ERROR DRT-0073] No access point for ces_1_0/io_ins_left[12].
[ERROR DRT-0073] No access point for ces_0_0/io_ins_left[12].
问题分析
通过对问题的深入分析,开发团队发现了几个关键点:
-
引脚对齐问题:宏单元的部分引脚没有正确对齐到布线网格上,导致布线器无法找到有效的访问点。
-
MPL模块行为:宏单元布局(MPL)模块在放置宏单元时,没有将引脚正确对齐到布线轨道上。特别是在ASAP7工艺下,当使用所有轨道模式时,这一问题更为明显。
-
设计差异:与主分支相比,gpl-binSize-float分支的全局布局结果有所不同,导致宏单元引脚位置发生变化,进一步暴露了MPL模块在引脚对齐方面的不足。
-
非对接连接问题:部分引脚并非通过对接(abutment)方式连接,而是需要通过布线连接,这使得引脚对齐问题直接影响了布线可行性。
解决方案
开发团队针对这一问题提出了多方面的解决方案:
-
引脚对齐改进:对MPL模块进行增强,确保宏单元引脚能够正确对齐到布线网格上。这包括在放置宏单元时考虑所有轨道模式,并强制引脚对齐到最近的可用轨道。
-
特殊连接处理:对于通过对接方式连接的引脚,可以跳过引脚访问检查,因为这些连接不需要布线资源。
-
设计脚本更新:针对特定设计(如mock-cpu)更新引脚分组配置,避免引脚被分配到多个组的问题。
-
轨道模式处理:完善对ASAP7工艺中所有轨道模式的支持,确保引脚对齐时考虑完整的轨道资源。
技术影响
这一问题的解决对OpenROAD项目具有重要意义:
-
布线成功率提升:通过确保引脚正确对齐,显著提高了复杂设计的布线成功率。
-
工艺支持完善:增强了对ASAP7等先进工艺的支持能力,特别是对复杂轨道模式的处理。
-
实现质量改进:减少了因引脚对齐问题导致的布线拥塞和时序问题,提高了最终实现的品质。
-
模块协同优化:促进了MPL、PPL和布线模块之间的协同工作,提升了工具链的整体鲁棒性。
结论
宏单元引脚对齐问题是芯片物理实现中的一个关键挑战。OpenROAD项目通过系统性的分析和改进,不仅解决了当前的具体问题,还增强了工具处理类似情况的能力。这一案例也展示了开源EDA工具在应对复杂设计挑战时的灵活性和可扩展性,为后续的开发和优化奠定了良好基础。
对于使用者而言,理解这类问题的本质有助于更好地配置设计约束和预期实现结果,特别是在使用先进工艺节点时,需要特别关注引脚对齐和轨道资源的匹配问题。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00