Icarus Verilog中DSP38仿真模型的阻塞赋值问题分析
2025-06-27 16:26:28作者:盛欣凯Ernestine
问题背景
在FPGA设计验证过程中,工程师发现使用Icarus Verilog进行RTL级和综合后网表的协同仿真时出现了结果不一致的情况。具体表现为DSP模块在特定反馈模式下的乘法运算结果与预期不符。
问题现象
当DSP模块的反馈信号为3'b001时,乘法器的输入应该直接采用外部输入信号a_int和b_int。然而在仿真中观察到:
- 预期行为:mult_a = A595B,mult_b = 2AE3F
- 实际行为:mult_a = 00000,mult_b = 3F6D3
这种差异导致乘法运算结果出现错误,RTL仿真结果正确但综合后网表仿真结果错误。
根本原因分析
经过深入分析,发现问题根源在于DSP38仿真模型的Verilog代码实现。具体来说,在描述组合逻辑的always块中混合使用了阻塞赋值(=)和非阻塞赋值(<=),造成了潜在的竞争条件。
在DSP38.v文件的第165行附近,可以看到如下代码结构:
always @(*) begin
// 其他反馈模式的赋值使用阻塞赋值
mult_a = ...;
mult_b = ...;
// 唯独feedback_int==3'b111时使用非阻塞赋值
if (feedback_int == 3'b111) begin
mult_a <= ...;
mult_b <= ...;
end
end
这种混合赋值方式违反了Verilog编码的基本准则,特别是在同一个always块中对同一变量混用两种赋值方式,会导致仿真结果不可预测。
技术原理
-
阻塞赋值与非阻塞赋值的区别:
- 阻塞赋值(=):立即执行,赋值语句后面的代码要等到当前赋值完成才能执行
- 非阻塞赋值(<=):在当前时间步结束时才更新值,不会阻塞后续代码执行
-
组合逻辑中的赋值选择:
- 纯组合逻辑应该统一使用阻塞赋值
- 时序逻辑应该统一使用非阻塞赋值
- 混合使用会导致仿真与综合结果不一致
-
竞争条件产生:
- 在同一个always块中混用两种赋值方式,仿真器可能无法确定执行顺序
- 不同仿真器可能产生不同结果,这正是观察到的现象
解决方案
修正DSP38仿真模型的实现方式,统一使用阻塞赋值:
always @(*) begin
// 所有赋值统一使用阻塞赋值
if (feedback_int == 3'b000) begin
mult_a = ...;
mult_b = ...;
end
// 其他条件分支...
else if (feedback_int == 3'b111) begin
mult_a = ...;
mult_b = ...;
end
end
经验总结
-
Verilog编码规范:
- 组合逻辑always块中统一使用阻塞赋值
- 时序逻辑always块中统一使用非阻塞赋值
- 避免在同一个always块中混用两种赋值方式
-
仿真验证建议:
- 对于关键模块,建议使用多种仿真工具交叉验证
- 特别注意第三方IP核的仿真模型实现质量
- 建立完善的仿真结果比对机制,及时发现潜在问题
-
FPGA设计验证:
- RTL与网表仿真不一致时,首先检查仿真模型
- 关注组合逻辑中的赋值方式选择
- 建立标准化的验证流程,减少人为错误
这个问题虽然表现为Icarus Verilog仿真结果异常,但根本原因是仿真模型的实现缺陷。通过这个案例,我们可以更深入地理解Verilog仿真机制和编码规范的重要性。
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
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
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
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