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。C030
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