Yosys中同步读存储器被识别为异步的问题解析
问题背景
在使用Yosys进行Verilog综合时,设计者遇到了一个关于存储器识别的特殊问题:明明设计中使用的是同步读存储器(synchronous-read memory),但Yosys却将其识别为异步存储器(asynchronous memory)。这种情况发生在使用memory_libmap进行存储器映射时。
问题现象分析
设计者提供了一个典型的双端口存储器设计示例:
- 一个写端口,使用时钟clk
- 一个读端口,使用不同的时钟clk2
- 读端口采用同步读取方式(在时钟上升沿采样)
当使用memory_libmap进行存储器映射时,Yosys错误地选择了异步存储器模型__RAM_ASYNC_,而不是期望的同步存储器模型_RAM_SYNC。
根本原因
经过深入分析,发现这个问题源于Yosys处理流程中的一个关键点:在直接使用memory_libmap前,缺少必要的预处理步骤。Yosys需要先运行一系列优化和转换pass,才能正确识别存储器的同步特性。
解决方案
正确的处理流程应该包含以下关键步骤:
- 首先运行proc pass处理过程块
- 然后执行一系列优化pass:
- opt_expr:表达式优化
- opt_dff:D触发器优化
- opt_clean:清理无用信号
- 最后运行memory -nomap进行存储器识别
完整的Yosys命令序列应为:
read_verilog main.v
hierarchy -check -top main
proc
opt_expr
opt_dff
opt_clean
memory -nomap
debug memory_libmap -lib mem_map.txt
技术细节深入
为什么需要这些额外的pass?这是因为:
- opt_dff pass会将读使能信号(read_enable)折叠到触发器中
- memory_dff pass(由memory -nomap内部调用)会将触发器进一步折叠到读端口中
- 只有完成这些转换后,Yosys才能正确识别出这是一个同步读端口
相关注意事项
-
不同时钟域问题:当读写端口使用不同时钟时,Yosys会特别检查这种情况,因为它在功能上与单一时钟的同步存储器有所不同。
-
寄存器地址模式:如果设计采用先寄存地址再异步读取的方式,这与真正的同步存储器在时序行为上存在差异,特别是在读写时钟不同时。
-
验证检查:使用check命令时可能会看到一些关于未驱动线的警告,这实际上是memory_libmap的一个已知问题,需要单独处理。
最佳实践建议
-
对于同步存储器设计,建议直接使用标准的同步模式,避免使用寄存器地址+异步读取的变通方式。
-
在Yosys流程中,memory_libmap前务必运行完整的预处理pass序列。
-
对于复杂的存储器配置,建议先使用memory_collect和memory_dff等pass进行调试,确保存储器被正确识别后再进行映射。
通过遵循这些指导原则,设计者可以确保Yosys正确识别和映射各种类型的存储器,获得预期的综合结果。
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