클록 도메인 크로싱(CDC)은 디지털 설계에서 서로 다른 클록 신호, 특히 비동기 클록 도메인으로 작동하는 영역 간에 신호가 전달될 때 발생합니다. 적절한 동기화가 이루어지지 않으면 이러한 신호 전달은 ASIC에서 준안정성, 데이터 손상 또는 기능적 오류를 유발할 수 있습니다.
다수의 서드파티 IP 블록, 외부 인터페이스, 가변 주파수 절전 기능을 탑재한 오늘날의 수십억 게이트 규모 ASIC에는 수십 개, 때로는 수백 개의 비동기 클록 도메인이 존재합니다. 기존 RTL 시뮬레이션은 비동기 클록 경계에서 데이터 전송 문제를 일으키는 준안정성 효과를 검증하도록 설계되지 않았습니다. 정적 타이밍 분석(STA) 역시 비동기 클록 도메인 문제를 해결하지 못합니다. 따라서 이 두 가지 방법에만 의존하기는 어렵습니다.
CDC는 디지털 설계자들에게 잘 알려진 문제로, 기본적으로 아래의 네 가지 일반적인 클록 도메인 크로싱 시나리오에서 발생합니다. 비동기 클록 도메인 간의 지터로 인해 발생하는 준안정성은 적절한 클록 동기화 장치가 없을 경우 기능적 오류로 이어질 수 있습니다. 뿐만 아니라, 동기화 장치의 불확실성으로 인해 여러 동기화된 경로를 결합하는 로직에서 타이밍 불일치가 발생할 수 있는 재수렴(re-convergence) 문제와 같이 설계 심층부에 내재된 더 복잡한 경로와 시나리오도 존재합니다. 이는 최종 실리콘 단계에서는 우회하기 어려운 버스 유형에 해당하므로, 이를 잘못 처리할 경우 칩을 다시 제작(re-spin)해야 하는 상황이 발생할 수 있으며, 이는 곧 막대한 비용 손실로 이어집니다.
그렇다면 이처럼 잘 알려진 문제가 수십억 게이트 규모의 ASIC 개발자들에게 왜 점점 더 어려운 과제로 대두되고 있는 것까요? 해당 과제에 대응하여 CDC 검증 접근 방식을 확장하려면 어떻게 해야 할까요? 테이프아웃을 위한 최종 승인(Signoff) 과정에서 CDC 검증은 매우 중요한 기준이지만, 현대의 ASIC 개발 팀이 이를 달성하는 데 직면하는 주요 과제는 무엇일까요?
릴리스 승인을 위해서는 CDC 클린(CDC-clean) 상태가 필수적이므로, 이를 달성하는 데 소요되는 시간과 노력은 결코 적지 않으며 제품 개발 수명 주기에 반드시 온전히 반영되어야 합니다. 물론 이를 달성하기 위한 노력은 설계 규모에 비례하여 증가합니다. 수백 개의 클록과 잠재적으로 수백만 개의 CDC 클록 교차 영역을 포함하는 현대의 수십억 게이트 규모 ASIC의 경우, 칩 전체를 대상으로 하는 플랫 레벨 CDC 분석을 수행하는 데 수일의 연산 시간과 수 테라바이트의 메모리가 필요할 수 있습니다. 이 과정에서 턴어라운드 타임이 심각한 문제가 될 수 있습니다. 이를 어떻게 해결해야 할까요?
첫째, 대규모 ASIC 개발의 모든 과정이 그렇듯 분할 정복(divide-and-conquer) 접근 방식을 취해야 합니다. 계층적 상향식(bottom-up) 방식을 사용하면 합성 및 정적 타이밍 분석에서와 마찬가지로 블록 단위로 CDC 분석을 수행할 수 있습니다. 이를 통해 CDC 분석을 개발 흐름의 초기 단계로 시프트 레프트(shift-left)할 수 있으며, 릴리스 직전에 CDC 버그를 수정할 경우 발생할 수 있는 높은 비용과 혼선을 방지하기 위해 블록 단위로 CDC 문제를 반복적으로 정제해 나갈 수 있습니다. 이후 다음 계층 단계로 이동할 때, 정리가 완료된 블록을 다음 통합 단계와 관련된 클록 경로만 포함하고 내부 전용 클록 교차 경로는 모두 추상화한 추상적 CDC 모델로 대체할 수 있습니다. 해당 서브시스템이 CDC 클린 상태가 되면 다음 계층 단계에서도 동일한 과정을 반복합니다. Synopsys VC SpyGlass® CDC는 CDC signoff abstraction model(SAM) 플로우를 통해 효율적인 계층적 접근 방식을 지원하며, 결과 품질(QoR) 저하 없이 메모리 요구 사항을 다중 요인으로 감축하는 동시에 3배 이상 향상된 턴어라운드 타임을 제공합니다.
연산 시간 비용에 대해 논해보았지만, 엔지니어링 인력에 소요되는 비용은 어떠할까요? CDC 분석의 다음 주요 과제는 위반 백색 소음(violations white noise) 문제입니다. 설계 내에 수백만 개의 CDC 교차 경로가 존재하는 경우, 위반 사례의 볼륨이 감당하기 어려울 정도로 방대해지며 실제 문제를 파악하는 것은 마치 건초더미에서 바늘 찾기와 같아질 수 있습니다. 물론 문제는 CDC 버그가 누락되는(bug escape) 원인이 될 수 있는 중요한 위반 사항을 놓칠 수 있다는 점입니다. 따라서 이는 대규모 ASIC 개발자들에게 진정으로 중요한 우려 사항이며, 수동 분석 방식은 신뢰성이 떨어집니다. 다행히도 데이터 사이언스가 해결책을 제시합니다. 머신러닝(ML) 접근 방식은 이러한 유형의 범주화 문제에 매우 적합하며, 공통 근본 원인을 공유하는 관리 가능한 수준의 시그니처로 위반 사항을 군집화하는 데 활용될 수 있습니다. 이 방식을 적용하면 동일한 문제에 기인하는 수백 또는 수천 건의 위반 사항이 있음을 즉시 확인할 수 있으므로 위반 분석 문제가 훨씬 수월해집니다. 경우에 따라 상위 5개의 클러스터가 전체 위반의 95% 이상을 차지하는 것을 확인할 수도 있습니다. 상위 5가지 문제를 해결하면 위반 백색 소음을 대폭 줄일 수 있으며, 건초더미에 남은 나머지 바늘을 놓칠 가능성을 크게 낮출 수 있습니다.
VC SpyGlass CDC는 위반 출력 데이터를 대상으로 머신러닝 기반의 근본 원인 분석(RCA)을 수행하여 이러한 백색 잡음 문제를 해결합니다. 이 머신러닝 RCA 방식은 위반 클러스터를 식별할 뿐만 아니라 디버그 단서와 근본 원인을 통해 개발자가 해결책에 도달할 수 있도록 가능한 원인을 제시합니다. 시계열 동기화 누락으로 인한 RTL 변경 등이 그 예가 될 수 있지만, 대개는 CDC 제약 조건 파일의 수정이나 추가 작업이 필요합니다. 이러한 제약 조건 정제 과정을 반복하면 위반 사항을 대폭 줄이고 설계에서 수정해야 할 실제 CDC 문제를 신속하게 식별할 수 있습니다.
제약 조건에 대한 이야기가 나온 김에, 이 역시 주의가 필요한 또 다른 영역입니다. CDC 분석은 제약 조건 기반 플로우입니다. 개발자가 제약 조건을 작성하므로, 잘못된 제약 조건은 잘못된 CDC 분석으로 이어질 수 있으며 제약 조건 오류로 인해 실제 CDC 위반이 가려질 수 있습니다. 가려진 위반은 칩 결함으로 이어질 수 있습니다. 예를 들어 Synopsys Design Constraints(SDC) 파일 형식과 같이 설계 워크플로우에 입력 제약 조건 파일이 필요한 경우, 이러한 중요 입력 파일의 정확성을 검토하는 것이 매우 중요합니다. 이러한 제약 조건을 이중으로 확인하는 한 가지 방법은 시뮬레이션과 같은 일반적인 동적 검증 환경에서 검증할 수 있는 동적 어설션으로 변환하는 것입니다. 이 방식을 통해 제약 조건 검증 수준을 한층 더 높일 수 있습니다.
제약 조건 외에도 위반 면제(waiver) 항목이 있을 수 있습니다. 이 역시 일반적으로 CDC 분석 워크플로우에 입력되는 파일(분석 결과에서 수동으로 생성됨)입니다. 면제 설정을 잘못하면 실제 CDC 오류가 가려질 수 있습니다. 면제가 처음에는 정확했더라도, 예를 들어 기능적 또는 성능적 문제를 해결하기 위해 설계자가 늦게 RTL을 변경하거나 넷리스트 ECO를 수행해야 할 수 있습니다. 이 경우 이전에 유효했던 조건이 더 이상 성립하지 않을 수 있으므로 면제 항목을 확인해야 합니다.
대부분의 CDC 문제는 정적으로 분석할 수 있지만, 설계 내 훨씬 더 깊은 경로를 거쳐 발생하는 복잡한 재수렴 시나리오와 같이 동적 접근 방식이 필요한 경우도 있습니다. 예를 들어 순차적 재수렴의 경우 깊이가 정의되어 있지 않으며 모든 깊이에서 문제가 존재할 수 있습니다.
이러한 까다로운 문제를 해결하기 위한 좋은 방법은 메타 안정성 주입을 활용한 시뮬레이션입니다. VC SpyGlass CDC는 구성 가능한 확률을 기반으로 시뮬레이션 런타임에 무작위 지터를 동적으로 주입하는 메타 안정성 모델의 CDC 데이터베이스를 생성합니다. Synopsys VCS® 시뮬레이션은 런타임에 이 DB를 네이티브로 읽어 들입니다. Synopsys Verdi® 자동화된 디버그에서 실패 원인을 디버깅할 수 있으며, 여기서는 메타 안정성이 주입된 신호를 프로빙할 수 있고 커버리지 보고서를 통해 CDC가 모니터링된 신호를 파악하고 지터가 주입된 횟수를 확인할 수 있습니다.
앞서 언급했듯이, 수십억 개의 게이트를 포함하는 대부분의 ASIC은 다수의 서드파티 IP 블록으로 구성됩니다. 이러한 IP의 경우 CDC 문제를 어떻게 다루어야 할까요? 어떤 접근 방식을 취해야 할까요? 공급업체로부터 CDC-clean IP를 제공받으셨습니까?
플로우에 통합할 수 있는 CDC 제약 조건은 제공되었지만 signoff 추상화 모델(SAM)은 제공되지 않았을 수 있습니다. 이 경우 한 가지 해결책은 IP 블록 주위에 래퍼(wrapper) 레벨을 생성하고 이를 사용하여 계층적 플로우에 반영될 SAM을 생성하는 것입니다. ASIC을 구성하는 모든 서드파티 IP 블록에 대해 플랫(flat) CDC를 실행하는 것은 바람직하지 않습니다.
모든 검증 워크플로우와 마찬가지로 디버그 도구의 효율성은 생산성에 지대한 영향을 미칩니다. CDC 디버그의 경우 뛰어난 회로도 시각화 기능과 파형 분석 기능을 결합하는 것이 가장 효과적인 솔루션입니다. 또한 이러한 디버그 환경이 여러 검증 플랫폼에서 일관되고 익숙하게 유지되기를 원할 것입니다. Verdi 디버그 솔루션은 플랫폼 간 표준화를 위한 일관성을 제공하여 CDC 디버그 생산성을 크게 향상시킵니다.
고려해야 할 마지막 과제는 MBIST 삽입을 처리하는 방법입니다. 대개 제품 개발 라이프사이클의 후반부에 수행되는 MBIST는 최종 설계에서 전체 로직의 약 3%를 차지할 수 있습니다. MBIST 삽입으로 인해 설계의 CDC 크로싱이 급격히 증가하는 것은 놀라운 일이 아닙니다. 최종 릴리스를 위한 CDC signoff를 검토할 때 이 점을 간과해서는 안 됩니다.
이 문제에 대한 현실적인 해결책이 있습니다. MBIST 삽입 전에 설계를 반복하여 CDC-clean 상태로 만들고, MBIST를 삽입한 다음, 삽입 후에 다시 반복하여 CDC-clean 상태를 달성하는 것입니다. MBIST 클록 크로싱 경로를 별도로 처리하면 추가적인 문제를 통제 가능한 범위 내로 유지할 수 있습니다.
VC SpyGlass CDC는 확장 가능한 성능과 용량, 그리고 높은 디버그 생산성을 갖춘 포괄적인 CDC signoff 방법론을 제공합니다.
Synopsys Verification Continuum® 플랫폼에 통합된 Synopsys의 여러 정적 분석 솔루션 중 하나입니다. VCS 시뮬레이션과 같은 다른 도구와 네이티브로 연동되며, Verdi 디버거와의 통합을 통해 일관되고 생산성 높은 디버그 환경을 제공합니다.
Synopsys는 칩 설계 팀이 VC SpyGlass CDC를 통해 테이프아웃 전에 클록 도메인 크로싱 문제를 식별하고 해결할 수 있도록 지원합니다. 이 솔루션은 구조적 및 기능적 CDC 분석을 확장 가능한 계층적 검증, 머신러닝 기반 근본 원인 분석, 통합 디버그 기능과 결합하여 엔지니어가 복잡한 CDC 위반을 관리하고 signoff를 달성할 수 있도록 돕습니다.
또한 VC SpyGlass CDC는 Synopsys VCS 시뮬레이션 및 Verdi 디버그와 연동되어 메타 안정성 주입이 필요한 시나리오를 포함하여 까다로운 크로싱 시나리오의 검증을 지원합니다. VC SpyGlass CDC를 통해 Synopsys가 복잡한 ASIC 및 SoC 설계에서 클록 도메인 크로싱 검증을 지원하는 방법을 확인해 보세요.