提高SoC设计中存储器时序和功耗精度的途径

提高SoC设计中存储器时序和功耗精度的途径



随着SoC设计复杂度增加和硅制造成本升高，对嵌入式存储器进行详尽的时序和功耗分析显得十分必要。不过，一些传统的建模方法存在这样或那样的质量缺陷。而本文介绍的分层化仿真器和两种存储器特征化流程可提高存储器时序和功耗模型的精度，有助于生成高质量的SoC设计。


在大部分系统级芯片(SoC)设计中，嵌入式ROM、RAM或各种尺寸的寄存文件存储器所占的裸片面积高达50%。根据半导体工业协会(SIA)的报告，到2014年，SIA预计嵌入式存储器将占芯片面积的90%以上。


由于高性能设计的硅制造成本升高以及纳米工艺硅设计复杂度不断增加，对存储器进行详尽的时序和功耗分析显得十分必要。


生成高质量的SoC设计要求具备为嵌入式存储器准确建模的能力，然而，用于嵌入式存储器特征化以及时序和功耗建模的传统方法常常存在质量缺陷。这些方法产生的模型质量较差，如果把它们用在针对纳米技术工艺的设计流程，就会导致时序收敛问题和不可预测的功耗分析结果。


SoC中嵌入式存储器应用的增加已经使得设计构造、优化和分析工具难以高效地执行。


现在的SoC团队被迫进行过度设计来应对时序的不准确性，这势必增加芯片面积和制造成本。应对时序不准确性的过度设计直接影响了芯片管脚布局和封装成本。缺乏信息以及不准确的估计则会延误与功耗有关的决策，对设计进度产生负面影响。


这在混合信号设计中特别麻烦，因为混合信号设计的管脚布局可能决定着模拟元件的成功或失败。其含义是明确的：存储器特征化和建模是SoC设计团队最关注的因素，而且在设计的所有阶段准确的存储器模型都是必要的。


大部分设计团队使用的时序和功耗存储器模型是由存储器编译器生成的。这类编译器为特定的存储器尺寸和纵横比生成模型，根据来自若干特征化配置的数据来推断存储器的性能。然而很有可能，设计中所用的实际存储器尺寸和纵横比从来没有被特征化过。在把该模型同Spice比较时，生成模型所采用的插补或外推方法有可能带来明显的误差或不一致的保护频段。


一些设计团队寻求采用Spice仿真来生成更好的时序和功耗嵌入式存储器模型。但是这些团队发现，对于大部分采用Spice仿真器的配置来说，不可能仿真整个存储器。


因而设计人员只好求助于人工裁剪或用户指导修补存储器网表。但是这些“劳动密集型”的过程是非常花时间的，也容易出错。


面向存储器模型的解决方案必须努力改进模型的精度，同时为模型的生成提供自动且高吞吐率的数据流。理想情况下，特征化和模型生成应该是一个“按钮点击”过程。实现高吞吐率运行时间的一种方法就是有效利用分层化仿真器。这些仿真器中的矩阵降阶功能适合于存储器器件分析。此外，它对传统Spice的变动常常只有2%到4%，这使得由此获得的时序和功耗模型精度很高。


分层化仿真器具有的灵活性使得设计人员能够生成适合某项具体设计独特需求的存储器模型，包括实际的操作点数。因为这种仿真器能够仿真完整的布线后网表，所以设计人员不再需要对测量过程中的估计进行补偿。所产生的存储器模型对于它们将要嵌入的SoC设计来说是特定的。因为存储器模型针对某个具体设计，所以保护频段是用户可控的。最重要的是，采用分层化仿真进行的存储器特征化不再需要对各个存储器元件的测量进行人工网表裁剪、网表修补或综合。


与分层化仿真器同样重要的是存储器的特征化，因为仿真器的存在只解决了复杂设计过程一个方面的问题。消除存储器特征化和建模过程的复杂性是很重要的，其目的是把特征化和存储器模型生成简化为一个“按钮点击”任务。对自动化的要求包括自动产生激励、基于弧的工作分配、自动平台生成、文件归档以及和目标模型匹配的预封装时序和功耗方法。特征化需要的高吞吐率是通过使用分层化仿真器、可细化到弧级的仿真工作并行分配以及采用分层化处理的智能Spice平台生成工具来实现的。


通过提供可配置的功耗数据采集功能，该方法解决了功耗精度问题。复杂的分析完成之后就可确定特定设计配置的平均功耗。设计人员可以计算出像“顺序vs.随机存取”这样典型的利用率模式，进而生成相应的功率数。


分析各种模式，如低功耗或者静态，也是可能的。这可以早在设计阶段就提供进行重要决策所需的信息，诸如与封装、芯片管脚布局、底层规划和电源布线相关的信息。


对于SoC设计人员来说，有两种可用的存储器特征化流程。第一种是再特征化流程，也就是说，设计人员拿到现有的存储器模型之后，再进行第二次特征化以提高其精度。采用这种方法，用户能够针对特殊条件进行特征化。


第二种流程就是对专用存储器进行特征化，如人工改动的存储器或者已被修改的编译器生成的存储器。在后面这种情况中没有现成的存储器模型。在这种流程中，用户生成一个存储器配置文件，随后它就被相应的自动特征化系统所使用。当出现编译器生成的现有存储器模型质量不够好的情况时，这种方法要比再特征化流程的效果好得多。一种鲁棒性强的特征化解决方案必须能适应两种情况。