Yosys项目中ABC9时序优化阶段的拓扑排序问题分析
2025-06-18 23:46:43作者:柏廷章Berta
问题背景
在Yosys 0.40和0.47版本中,当用户尝试在Linux aarch64架构上使用synth_ice40流程编译特定Verilog设计时,遇到了ABC9优化阶段的拓扑排序错误。该问题表现为ABC工具在执行if命令时检测到黑盒(Box)的输入输出存在循环依赖关系,导致映射失败。
错误现象
错误日志显示ABC工具在执行过程中发现黑盒的拓扑顺序不正确:
ABC: Input 0 of BoxA 379 (1stCI = 872; 1stCO = 1815) has TFI with CI 1005,
ABC: which corresponds to output 0 of BoxB 452 (1stCI = 1005; 1stCO = 2128).
ABC: In a correct topological order, BoxB should precede BoxA.
这表明BoxA的输入依赖于BoxB的输出,但在当前顺序中BoxA却排在BoxB之前,违反了拓扑排序的基本原则。
技术分析
ABC9优化流程
ABC9是Yosys中用于逻辑优化的关键组件,其标准流程包括:
- 读取LUT和黑盒定义
- 执行结构校正(scorr)
- 逻辑优化(sweep)
- 组合逻辑优化(dc2/dch)
- 技术映射(if)
拓扑排序的重要性
在数字电路综合中,拓扑排序确保所有组件的输入信号在其依赖组件完成处理后可用。对于包含黑盒的设计,Yosys需要正确构建黑盒之间的依赖关系图,并生成满足拓扑顺序的XAIGER输入文件。
问题根源
根据开发者分析,此问题可能源于Yosys在准备XAIGER输入文件时未能正确处理黑盒间的依赖关系,导致生成的中间表示中黑盒顺序不正确。这属于Yosys前端与ABC9后端接口的实现问题,而非ABC工具本身的缺陷。
解决方案
- 版本升级:用户反馈在Yosys 0.51版本中该问题已得到修复,建议升级到最新稳定版本。
- 临时规避:在受影响版本中,可以尝试禁用ABC9优化或使用其他综合策略。
- 设计检查:验证Verilog代码中是否存在非常规的黑盒实例化方式,可能导致依赖关系分析困难。
经验总结
该案例展示了数字电路综合工具链中前后端接口一致性的重要性。当使用黑盒或IP核时,工具需要准确捕获并维护组件间的时序依赖关系。对于工具开发者而言,这类问题提示我们需要:
- 加强XAIGER生成阶段的拓扑验证
- 完善黑盒依赖关系的分析算法
- 提供更友好的错误诊断信息
随着Yosys版本的迭代,这类接口问题已得到有效解决,体现了开源EDA工具持续改进的良好生态。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147