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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00