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。
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