SpinalHDL中形式验证与Yosys版本兼容性问题分析
问题背景
在数字电路设计领域,形式验证是保证设计正确性的重要手段。SpinalHDL作为一款优秀的硬件描述语言框架,集成了形式验证功能。近期有开发者反馈,在使用新版本Yosys工具链时,原有的形式验证流程出现了兼容性问题。
问题现象
当用户升级到最新版本的oss-cad-suite后,形式验证开始报错,错误信息显示:
ERROR: $check cell $cover$anon.sv:42$9 with TRG_WIDTH > 1 is not support by async2sync, use clk2fflogic.
这个错误出现在使用Stream接口和past函数的简单验证场景中。示例代码如下:
object Formal extends App {
FormalConfig.withDebug
.withBMC(40)
.withProve(40)
.withCover(40)
.doVerify(
new Component {
val a = Stream(UInt(1 bit))
val r = Stream(UInt(1 bit))
r << a
cover(
a.fire && r.fire && past(
a.fire && r.fire && past(a.fire && r.fire && pastValid())
)
)
}
)
}
技术分析
根本原因
问题源于Yosys 0.37到0.38版本间的重大变更。新版本对异步逻辑的处理更加严格,特别是对$check单元的支持发生了变化:
- 新版本Yosys会检测设计中的异步逻辑
- 当发现异步复位逻辑与cover等验证代码结合时,会生成$check语句
- 这些$check语句在RTLIL中间表示中与旧版本行为不同
- 异步逻辑现在需要显式声明多时钟模式
解决方案探讨
经过技术分析,我们提出了几种可能的解决方案:
-
强制启用多时钟模式
通过添加withAsync配置可以解决部分问题,但这会导致验证代码膨胀,因为需要将全局时钟与其他时钟对齐。 -
修改验证代码生成方式
确保生成的Verilog代码完全同步化,避免产生异步逻辑。理想情况下,所有验证相关代码都应遵循以下模式:always @(posedge clk) begin // 同步逻辑 end -
版本回退
暂时回退到Yosys 0.33等已知工作正常的版本,作为临时解决方案。 -
增强设计检测
实现更智能的设计分析,自动检测是否需要多时钟模式,但这会增加实现复杂度。
最佳实践建议
基于当前情况,我们推荐以下实践方案:
-
明确时钟域设计
在设计验证模块时,明确指定时钟域关系,使用<-<而非<<操作符来建立明确的时序关系。 -
同步验证代码
重构验证代码,确保所有时序检查都在同步上下文中完成,避免隐含的异步逻辑。 -
版本控制
在项目中使用经过验证的Yosys版本组合,避免盲目升级工具链。 -
验证配置
在不确定的情况下,默认启用多时钟模式配置:FormalConfig.withDebug.withAsync
未来改进方向
从框架设计角度,我们考虑以下长期改进:
-
自动时钟域分析
实现设计时钟域的自动检测,智能决定是否启用多时钟模式。 -
验证原语增强
提供更明确的同步/异步验证原语,如assume(xxx).alwaysOn语法。 -
版本适配层
针对不同Yosys版本实现适配层,保持验证代码的兼容性。
结论
形式验证是保证设计质量的重要环节,工具链的升级可能带来兼容性挑战。通过理解Yosys内部机制的变化,我们可以调整验证策略和代码风格,确保验证流程的稳定性。建议开发者在升级工具链时充分测试验证流程,并在必要时采用本文推荐的解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00