新思科技
Ansys

什么是时钟域交叉?

Rimpy Chugh

2021年11月21日 / 阅读时间 7 分钟

定义

时钟域交叉(CDC)是指信号在数字设计中运行于不同时钟信号(尤其是异步时钟域)的各部分之间传输时发生的情况。若无适当的同步,这些传输可能会在 ASIC 中导致亚稳态、数据损坏或功能失效。

时钟域交叉(CDC)错误可能会损坏您的 ASIC

在由多个第三方 IP 模块、外部接口和变频节能功能驱动下,如今拥有数十亿门级的 ASIC 往往包含数十个甚至数百个异步时钟域。传统的 RTL 仿真并非旨在验证会引发异步时钟边界数据传输问题的亚稳态效应。静态时序分析(STA)也无法解决异步时钟域问题。因此,依赖这两种方法都存在局限性。

对于数字设计人员而言,CDC 是一个已被充分记录和理解的问题,本质上源自以下四种常见的时钟域交叉场景。如果不存在合适的时钟同步器,异步时钟域之间的抖动所产生的亚稳态可能会导致功能失效。不仅如此,设计深处还可能隐藏着更复杂的路径和场景,例如再收敛问题——由于同步器的不确定性,结合多个同步路径的逻辑可能会导致时序不匹配。这是一类通常无法在最终硅片中通过变通方法解决的缺陷,因此一旦出错,可能就需要重新流片。这是一个代价高昂的失误!

时钟域交叉验证 | Synopsys

但是,为什么这个已被充分理解的问题对于数十亿门级 ASIC 的开发人员而言,正演变成一项日益严峻的挑战?您能采取哪些措施来扩展 CDC 验证方法以应对这一挑战?CDC 验证是顺利完成 tape-out(投片)的关键签核标准,但现代 ASIC 开发团队在实现这一目标时面临的核心挑战是什么?

周转时间问题

由于实现“CDC 清洁”是发布签核的必要条件,因此为此消耗的时间和精力不容忽视,必须在产品开发生命周期中予以充分考量。当然,实现这一目标的投入将随着设计规模的扩大而增加。现代的数十亿门级 ASIC 包含数百个时钟以及可能数百万个 CDC 时钟交叉,运行全芯片平坦级 CDC 分析可能需要数天计算时间和数 TB 内存。周转时间在这里可能成为一个显著的问题。对此有何对策?

首先,正如大型 ASIC 开发中的所有环节一样,您需要采取分而治之的方法。分层的自底向上方法允许您逐个模块运行 CDC 分析,就像综合和静态时序分析一样。通过这种方式,CDC 分析可以左移到开发流程的早期阶段,采用迭代方法边走边清理 CDC 问题,逐个模块进行,而不要将 CDC 分析留到发布前夕才做,届时修复 CDC 缺陷成本高昂且会打乱节奏。随后,在向上一层层级推进时,您可以用抽象的 CDC 模型替换已清理的模块,这些模型仅包含与下一层集成相关的时钟路径,并将所有仅限内部的时钟交叉路径抽象化。当该子系统实现 CDC 清洁时,在下一层级重复此过程,依此类推。Synopsys VC SpyGlass® CDC 通过 CDC 签核抽象模型(SAM)流支持高效的分层方法,在不降低结果质量(QoR)的前提下,可实现数倍的周转时间提升并大幅降低内存需求。

白噪声问题

我们讨论了计算时间成本,但人类工程成本又如何呢?CDC 分析面临的下一个重大挑战是违例白噪声问题。当设计中存在数百万条 CDC 交叉路径时,违例数量可能会让人应接不暇,识别真正的问题犹如大海捞针。当然,问题在于您可能会遗漏可能导致 CDC 缺陷漏网的重要违例。因此,对于大型 ASIC 的开发人员而言,这是一个真正至关重要的问题,而人工分析方法并不可靠。幸运的是,数据科学前来救援。机器学习(ML)方法非常适合此类分类问题,可用于将违例聚类为数量可控、具有共同根本原因的特征。完成此操作后,违例分析问题突然变得容易处理得多,因为您可以立即发现有数百或数千起违例可归因于相同的问题。在某些情况下,您可能会发现 >95% 的违例包含在前 5 大聚类中。解决这前五个问题将大幅减少白噪声违例,并大大降低您遗漏大海捞针中剩余问题的可能性。

VC SpyGlass CDC 通过利用机器学习对违例输出数据执行根本原因分析 (RCA),解决了这一白噪声问题。这种机器学习 RCA 方法不仅能够识别违例集群,还能通过调试线索和根本原因来识别潜在原因,从而引导开发人员找到解决方案。例如,纠正措施可能是由于缺少同步而进行的 RTL 修改,但通常是对 CDC 约束文件的精炼或补充。这种约束精炼的过程可快速迭代,大幅减少违例,并快速识别需要在设计中修复的真实 CDC 问题。

我的约束是否正确?

既然我们谈到了约束,这也是另一个需要谨慎处理的领域。CDC 分析是一个约束驱动的流程。开发人员编写约束,当然,不正确的约束可能会导致不正确的 CDC 分析,真正的 CDC 违例会被约束错误所掩误。被掩误的违例可能会导致硅片失效。每当设计工作流需要输入约束文件(例如 Synopsys Design Constraints (SDC) 文件)时,审查这些重要输入文件的正确性至关重要。双重检查这些约束的方法之一是将它们转换为动态断言,以便在仿真等常规动态验证环境中进行验证。这种方法为您提供了一层额外的约束验证。

我的豁免是否正确?

除了约束之外,您可能还有违例豁免。同样,这通常是 CDC 分析工作流的输入文件(从分析中手动生成)。弄错豁免可能会导致掩误真实的 CDC 错误。即使豁免最初是正确的,设计人员也可能需要进行后期的 RTL 修改或后期的网表 ECO,例如以解决功能或性能问题。发生这种情况时,需要检查豁免,因为以前有效的条件可能不再成立。

更困难的收敛问题

尽管大多数 CDC 问题都可以通过静态方式进行分析,但在某些情况下,动态方法是必不可少的,例如通过设计中更深路径发生更复杂的再收敛场景。例如,在顺序再收敛中,深度是未定义的,并且问题可能存在于任何深度。

对于这些较棘手的情况,一种好的方法是结合亚稳态注入进行仿真。VC SpyGlass CDC 生成包含亚稳态模型的 CDC 数据库,这些模型将在仿真运行时根据可配置的概率动态注入随机抖动。Synopsys VCS® 仿真在运行时原生读取该 DB。可以在 Synopsys Verdi® 自动化调试中对故障进行调试,在那里可以探测注入了亚稳态的信号,并且覆盖率报告会引导用户找到监控 CDC 的信号,并报告发生了多少次抖动插入。

处理第三方 IP 模块

如前所述,大多数数十亿门的 ASIC 都将由许多第三方 IP 模块构建而成。在这些 IP 的情况下,您如何处理 CDC?您应该采取什么方法?您的供应商是否为您提供了 CDC-clean 的 IP?

他们可能为您提供了可以集成到您的流程中的 CDC 约束,但可能未提供签核抽象模型。在这种情况下,一种解决方案是在 IP 模块周围创建一个包装器级别,并使用它来生成将流入您的分层方法的 SAM。您肯定不想在构成 ASIC 的所有第三方 IP 模块上运行扁平化 CDC。

调试生产力问题

与所有验证工作流一样,调试工具的有效性将极大地影响您的生产力。在 CDC 调试的情况下,良好的原理图可视化与波形分析的结合是最有效的解决方案。此外,您希望此调试环境在多个验证平台上熟悉且一致。Verdi 调试解决方案为跨平台标准化提供了这种一致性,从而实现高 CDC 调试生产力。

如何处理 MBIST?

需要考虑的最后一个挑战是如何处理 MBIST 插入。MB通常在产品开发生命周期的末期进行,MBIST 约占最终设计中总逻辑的 3%。毫无疑问,MBIST 插入会导致设计中的 CDC 交叉数量大幅增加。在查看最终发布的 CDC 签核时,绝不能忘记这一点。

针对这个问题有一个务实的解决方案。迭代设计以在 MBIST 插入前达到 CDC-clean,插入 MBIST,然后在插入后再迭代以达到 CDC-clean。分别处理 MBIST 时钟交叉路径可确保将这一额外问题控制在可解决的范围内。

静态解决方案:VC SpyGlass CDC

VC SpyGlass CDC 提供全面的 CDC 签核方法,具有可扩展的性能和容量以及高的调试生产力。

它是 Synopsys 的多种静态分析解决方案之一,已集成到 Synopsys Verification Continuum® 平台中。它与 VCS 仿真等其他工具原生集成,并通过与 Verdi 调试器的集成提供一致的高生产力调试体验。

时钟域交叉技术 | Synopsys

时钟域交叉与 Synopsys

Synopsys 借助 VC SpyGlass CDC 帮助芯片设计团队在流片前识别并解决时钟域交叉问题。该解决方案将结构和功能 CDC 分析与可扩展的分层验证、基于机器学习的根本原因分析以及集成调试功能相结合,帮助工程师管理复杂的 CDC 违例并实现签核。

VC SpyGlass CDC 还与 Synopsys VCS 仿真和 Verdi 调试配合使用,以支持验证困难的交叉场景,包括需要亚稳态注入的场景。探索 VC SpyGlass CDC,了解 Synopsys 如何在复杂的 ASIC 和 SoC 设计中支持时钟域交叉验证。

继续阅读

Ask BETA This experience is in beta mode. Please double check responses for accuracy.

结束聊天

关闭此窗口将清除您的聊天记录并结束本次会话。您是否确定要结束本次聊天?