Yosys项目中哈希函数对时序逻辑综合的影响分析
问题背景
在数字电路综合工具Yosys的开发过程中,开发团队发现一个有趣的现象:当修改Yosys内部使用的哈希函数时,某些测试用例会意外失败。经过深入调查,这个问题特别出现在处理带有异步复位/置位的触发器(DFFSR)模型的技术映射过程中。
问题现象
当使用不同的哈希函数实现时,Yosys对以下Verilog代码的综合结果会出现差异:
module dffsr(input CLK, D, CLEAR, PRESET, output reg Q);
always @(posedge CLK, posedge CLEAR, posedge PRESET)
if (CLEAR)
Q <= 0;
else if (PRESET)
Q <= 1;
else
Q <= D;
endmodule
正常情况下,Yosys会生成保持CLEAR优先于PRESET的综合结果。但当哈希函数改变后,综合结果会意外地反转这两个信号的优先级。
技术原理分析
这个问题实际上揭示了Yosys内部处理异步信号优先级时的一个潜在设计问题。在Yosys的处理流程中:
-
proc_arst阶段:首先将Verilog代码转换为中间表示,其中异步信号的优先级通过同步规则的顺序明确表示。例如,CLEAR规则排在PRESET规则之前,表示CLEAR具有更高优先级。
-
proc_dff阶段:这些同步规则被存储在一个std::map中,键是触发信号(SigSpec)。std::map默认使用std::less进行排序,而RTLIL::SigSpec的比较操作符依赖于哈希值。
问题根源
问题的本质在于:
- std::map的排序依赖于哈希函数,而不同的哈希函数会导致不同的元素排序
- 原始Verilog代码中明确的信号优先级(CLEAR > PRESET)在转换为std::map后丢失
- 后续处理阶段(gen_dffsr_complex)从std::map中读取规则时,顺序可能已经改变
解决方案
修复方案的核心思想是保持处理顺序与设计顺序一致。具体实现上:
- 不再依赖std::map的自动排序特性
- 改为按规则插入顺序处理SigSpec,这对应于原始设计中的信号声明顺序
- 确保异步信号的优先级在综合过程中得到保持
技术启示
这个案例为我们提供了几个重要的技术启示:
-
工具实现的确定性:EDA工具在不同环境下应产生确定性的结果,不应依赖于实现细节(如哈希函数)
-
中间表示设计:在编译器/综合器的中间表示设计中,显式保持重要语义信息(如信号优先级)至关重要
-
数据结构选择:在需要保持元素顺序的场景中,应谨慎选择数据结构,避免使用自动排序的容器
总结
Yosys中这个由哈希函数引起的问题,实际上反映了数字电路综合工具在处理异步信号优先级时的一个设计缺陷。通过分析问题根源并修改实现方式,不仅解决了特定测试用例失败的问题,更增强了工具在不同环境下的行为一致性。这对于保证数字电路综合结果的可靠性和可预测性具有重要意义。
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