Chisel项目中SInt类型常量生成错误IR的问题分析
2025-06-14 11:52:22作者:秋泉律Samson
问题背景
在Chisel项目(一个用于硬件设计的Scala嵌入式领域特定语言)中,发现了一个关于有符号整数(SInt)类型常量生成中间表示(IR)时出现错误的问题。具体表现为当处理较大位宽或带符号的常量时,生成的FIRRTL代码与预期不符。
问题现象
在HardFloat库的primitives.scala文件中,存在如下代码:
val shift = (BigInt(-1)<<numInVals.toInt).S>>in
预期生成的FIRRTL代码应为:
node roundMask_shift = dshr(asSInt(UInt<65>(0h10000000000000000)), roundMask_lsbs_2)
但实际生成的代码却是:
node roundMask_shift = dshr(SInt<65>(0), roundMask_lsbs_2)
问题根源分析
经过深入分析,发现该问题主要由两个因素导致:
-
MLIR常量构造限制:
- 当前实现使用
mlirIntegerAttrGet函数构造MLIR中的常量 - 该C-API仅接受
int64_t类型的值参数 - 当处理65位宽的值时会发生溢出,导致值变为0
- 当前实现使用
-
负值UInt处理问题:
- 在UInt类型字面量中出现负号可能导致问题
- 例如以下三种情况:
val shift_s_zero = (BigInt(0)).S >> in val shift_s_neg1 = (BigInt(-1)).S >> in val shift_s_pos1 = (BigInt(1)).S >> in - 预期输出应为:
node shift_zero = dshr(asSInt(UInt<1>(0h0)), in) node shift_neg1 = dshr(asSInt(UInt<1>(0h1)), in) node shift_pos1 = dshr(asSInt(UInt<2>(0h1)), in) - 但实际生成:
node shift_zero = dshr(asSInt(UInt<1>(0)), in) node shift_neg1 = dshr(asSInt(UInt<1>(-1)), in) node shift_pos1 = dshr(asSInt(UInt<2>(1)), in)
解决方案
针对上述问题,开发团队采取了以下措施:
-
上游修复:
- 在LLVM/CIRCT项目中提交了PR #6893,为MLIR整数属性添加了变通方案
- 解决了大位宽值溢出问题
-
符号处理优化:
- 对于UInt类型的负值字面量,采用获取绝对值的方式
- 确保生成的FIRRTL代码格式一致性和正确性
技术影响
该修复确保了:
- 大位宽常量的正确处理
- 带符号常量到无符号类型的正确转换
- FIRRTL代码生成的准确性和一致性
对于硬件设计者而言,这意味着在使用SInt类型进行位操作和大数值处理时,可以确保生成的硬件描述代码与预期一致,避免潜在的硬件实现错误。
总结
Chisel项目中发现的这个SInt类型IR生成问题,展示了硬件设计语言中类型系统和中间表示生成的重要性。通过深入分析问题根源并实施针对性修复,不仅解决了当前的具体问题,也为类似情况提供了参考解决方案。这体现了开源硬件设计工具链不断完善的过程,以及对代码质量严格要求的开发理念。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
openEuler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。
C
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220