cell delay和net delay

Verilog 延时模型 关于Verilog 延时模型的学习笔记。 文章目录1 连续赋值延时1.1 Net类型声明中的定义延迟(Net delay)1.2 连续赋值过程定义延迟2 过程赋值延时2.1 延时结构 位于语句之前2.2 延时结构位于语句中3 总结 1 连续赋值延时 给连续赋值的延时值指定了 赋值运算符右侧操作数数值改变 到 左侧操作数完成赋值 需要的时间。 变为上升沿、下降沿、高阻态的延时可以配置为不同值。 需要区分两种延时赋值: 为连续赋值语句指定延时值。延时是连续赋值的一部分。 在net声明时指定的Net delay 阅读详情
AI摘要

本文详细介绍了静态时序分析(STA)中的单元延迟和线延迟概念。单元延迟取决于输入转换、输出负载及PVT条件,而线延迟则涉及RC模型和布线后的影响。负延迟现象在特定情况下可能发生,例如驱动能力强、输入转换小、输出负载小的单元。同时,负的网延迟可能在考虑交叉耦合噪声(crosstalk)时出现。

1.delay分析

静态时序分析(STA)必须要获得单元延时(cell delay)和线延时(net delay)。
在这里插入图片描述

  • 后端工具会计算每个单元的延时和每条线的延时
  • 单元的延时信息由foundary提供的单元库文件提供
  • 为了计算线延迟,工具必需知道每条线的寄生电阻和寄生电容

2. cell delay

cell delay取决于:

  • input transition: input transition越小,cell delay越小
  • output load : output load越小,cell delay越小
  • PVT
    PVT角指的是STA在什么条件下执行。最常见的PVT角有:
  • WCS(慢工艺、低电压、高温)
  • BCF(快工艺、高电压、低温)
  • Typical(典型工艺、标准电压、标准温度)
  • WCL(低温下的最差情况:慢工艺、低电压、低温)

一般看到的cell delay都是正值,实际上cell delay是存在负 delay的情况,当output 的transition足够快,完全可能出现output 50%电平提前于input50%电平,即发生负delay情况。

<
Vivado 时序分析Net Delay很高的解决办法 某项目时序分析结果如下,显示Net Delay为10.728ns,导致时钟slack值为负。其中所有的时钟信号在图2中所示。根据违例的路径进行分析,这条路径实际上没有逻辑延迟,但是有一个巨大的网络延迟。可能是由以下几点引起的:信号传输中可能有太大的扇出,导致一些信号距离驱动源端太远;布线位置不合理-目标位置距离源位置太远;由保持时间违规造成。 如果在信号传递中存在跨时钟域路径,而这些路径又未经跨时钟处理(FIFO/RAM)等,时序分析工具将这些路径视为正常路径进行处理,这些信号往往具有很大的时钟偏移,从 阅读详情

相关推荐

STA series --- 5 .Delay Calculation

序: 本篇内容,基于阅读J. Bhasker • Rakesh Chadha著作《Static Timing Analysis for Nanometer Designs》后进行的总结以及自己的观点和感想,如有不正确的地方,还请指点。读者有微电子基础将更好理解内容。(图片内容绝大部分直接引用书中) ............

sinat_27691203的博客 2811

别再只盯着Setup/Hold了!聊聊STA里Cell Delay和Net Delay那些‘反常’的负值现象

本文深入解析了静态时序分析(STA)中Cell Delay和Net Delay出现负值的现象及其物理成因。通过分析强驱动能力、极快输入边沿和极小输出负载等条件,揭示了负延迟的产生机制,并探讨了其对时序收敛的双面影响。文章还提供了识别、建模和仿真验证负延迟的实用方法,为数字集成电路设计中的时序优化提供了新思路。

weixin_42568801的博客 386

别再只盯着Setup/Hold了!聊聊STA里Cell Delay和Net Delay那些‘负值’的奇葩情况

本文深度解析了静态时序分析(STA)中Cell Delay和Net Delay出现负值的现象,探讨了其物理本质、产生机制及实际影响。通过案例分析和技术方案,帮助工程师正确识别和处理这些异常情况,确保芯片设计的时序收敛。特别针对先进工艺下的新挑战,提出了前瞻性的解决方案。

weixin_29230059的博客 381

从PT时序报告实战出发:手把手教你定位和优化Cell Delay/Net Delay违例(附真实案例)

本文从PT时序报告实战出发,详细解析了Cell Delay和Net Delay违例的定位与优化方法。通过真实案例,介绍了如何区分Cell Delay与Net Delay主导的违例,并提供针对性的优化策略,包括驱动能力调整、负载优化和布线策略调整等,帮助工程师快速解决时序违例问题。

weixin_29248653的博客 423

从CMOS到时序报告:手把手拆解STA工具(如PrimeTime)计算cell delay和net delay的底层逻辑

本文深入解析STA工具(如PrimeTime)计算cell delay和net delay的底层逻辑,从CMOS晶体管物理特性出发,详细介绍了查找表模型、互连线延迟计算及时序路径分析流程。通过实际案例和代码示例,揭示现代静态时序分析技术在先进工艺节点中的应用与挑战,帮助工程师更好地理解时序报告的生成机制。

weixin_32660831的博客 344

数字后端时序报告实战:Cell Delay与Net Delay定位与优化

静态时序分析(STA)是数字芯片设计中验证时序收敛的关键环节,其核心在于精确评估信号传播路径上的每一段延迟。在深亚微米及先进工艺下,信号延迟主要由单元内部延迟(Cell Delay)与互连线延迟(Net Delay)构成,两者对路径延迟的贡献比例直接决定了优化方向。理解二者的物理原理与分析方法,是芯片后端工程师高效解决时序违例的基础。通过PrimeTime等工具生成的时序报告,工程师可以量化每条路径上的延迟分布,从而区分是逻辑级数过长、驱动能力不足,还是布局布线导致的物理距离问题。针对不同根因,采取增大驱动

weixin_33755557的博客 369

从PT时序报告拆解Cell Delay与Net Delay:一次setup违例的定位与优化

在数字IC后端设计中,静态时序分析(STA)是验证设计时序收敛的核心手段。而时序路径上的延迟主要由Cell Delay与Net Delay两部分构成,前者反映单元在特定输入转换时间与负载电容下的响应速度,后者则取决于互连线的电阻电容特性。当setup违例出现时,快速判断究竟是哪一部分延迟主导了路径收敛瓶颈,直接决定了优化手段是否有效。基于PT(PrimeTime)时序报告,工程师可以逐级拆解delay breakdown,结合transition time、电容和net信息定位异常来源。这种分析方法广泛应用

weixin_34061440的博客 290

时序报告Cell Delay与Net Delay拆解:从PT违例定位到ECO修复实战

在数字IC后端设计中,静态时序分析(STA)是确保芯片时序收敛的关键环节。工程师通过PrimeTime(PT)执行report_timing,但面对满屏的Cell Delay与Net Delay,新手常难以判断真正的路径瓶颈。Cell Delay由单元内部充放电决定,而Net Delay则由互连线的RC寄生效应主导,两者背后对应完全不同的修复策略。理解基础原理后,通过合理切分timing budget、分析incr delay中的增量来源,能高效识别setup违例的主因。本文结合一条-0.35ns违例路径,

weixin_29479561的博客 194

后端 STA 干货:Delay Calculation 到底怎么算?从纯电容到RC 网络的那些坑

做STA的同学,几乎每天都在跟delay打交道。报告里一条路径的cell delay、net delay是怎么来的?为什么同样一个反相器,有时候delay只有几十ps,有时候却能跑到几百ps?很多新人刚上手时,只会看报告数字,真正去追问“这个数是怎么算出来的”的人并不多。我自己早期也踩过坑。有一次post-layout时序突然恶化,路径上某个net delay翻了好几倍,当时还以为是约束或者corner设错了。

weixin_38593836的博客 314

inn之CTS debug小技巧(2)

上次分享了一些debug CTS的小技巧,转眼2021都过去1/4了,时间还真是快,当初给自己立的坚持更新的flag果然一下子就破了,一边捂着疼痛的脸????,菜鸟假装自己没有拖延症,继续来分享这次的内容~~~~ 上次我们提到怎么对clock tree是否合理进行评估,分享中提到的内容也多是从physical的角度,一些明显的不合理,在脚本的加持下很清楚的就会暴露在眼前。也有一些情况,需要我们深入去分析tree,这时候仅靠分析gui上的clock tree合不合理就不太够了,我们需要更细节的信息。

weixin_38875157的博客 1185

report_delay_calculation/check_timing/report_annotated_parasitics/report_analysis_coverge

如何debug 一颗cell 或一段net 的delay, 常用的办法是用report_delay_calculation 报这颗cell 或这段net, 会得到形式如下的report, 从该report 中可以得到: 表头需要特别关注的是command, 确定report 的对象及加的option; From/To pin: cell 的input pin 和...

diedai7174的博客 1804

基于Pixhawk与OpenMV的无人机视觉引导精准降落系统设计与实现

本文详细介绍了基于Pixhawk飞控与OpenMV视觉模块的无人机精准降落系统设计与实现。系统通过OpenMV识别Apriltag标签,结合MAVLink通信将视觉数据发送给Pixhawk,实现厘米级精准降落。文章涵盖硬件连接、软件配置、核心代码逻辑解析及实战调试技巧,为无人机自动充电、物流配送等场景提供可靠解决方案。

weixin_29189377的博客 326

AFSim 2.9中文手册实战指南:从安装到高级功能详解(附B站视频链接)

本文详细介绍了AFSim 2.9的安装配置、基础功能操作和高级功能应用,帮助用户快速掌握这款强大的仿真平台。从系统要求检查到多体动力学仿真,再到性能优化技巧,全面解析AFSim 2.9的使用方法,适合初学者和进阶用户参考。

weixin_30892037的博客 575

CST中PEC结构涂覆吸波材料的RCS仿真与优化

本文详细介绍了在CST Studio Suite中对PEC结构涂覆吸波材料进行RCS仿真的完整流程与优化策略。通过精确的材料参数设置、涂层厚度优化和仿真技巧,有效降低目标的雷达散射截面,提升隐身性能。文章结合实战案例,为工程师提供了一套高效的RCS仿真与优化解决方案。

c2d3e4f的博客 699

HBF凭什么能挑战HBM?

最近AI圈聊得最多的,除了大模型迭代,就是“算力瓶颈”。大家都知道GPU不够用、HBM抢疯了,但很少有人注意到,存储层正在酝酿一场革命——高带宽闪存(HBF)。今天就结合HBM之父Joungho Kim教授的最新观点,跟大家好好盘盘这门技术:它不是HBM的替代品,却可能重塑AI推理的游戏规则,甚至在2038年超越HBM市场规模。先澄清一个核心认知:HBF不是凭空冒出来的新技术,而是站在HBM肩膀上的“优化款”。

存储随笔 2133

pandas,构造MultiIndex的四种方法:from_tuples、from_arrays、from_product、from_frame

1、from_tuples:通过 “元组对” 构造MultiIndex """ 一对元组,为一个索引 """ tuples = [(1, 'red'), (1, 'blue'), (2, 'red'), (2, 'blue')] pd.MultiIndex.from_tuples(tuples, names=('number', 'color')) 2、from_arrays:通过 “列表元素的组合” 构造MultiIndex """ 列中表的元素,按位置 对应组合,形成索引 """ arrays

jieru_liu的博客 5394

VCU128开发板上手记:搞定100G以太网IP核与QSFP光模块的那些坑

本文详细介绍了在VCU128开发板上实现100G以太网IP核与QSFP光模块调试的实战经验。从硬件准备、IP核配置到QSFP模块控制信号处理,文章揭示了数据手册中未提及的关键细节,并提供了优化参数和压力测试方案,帮助开发者快速解决UltraScale+平台下的高速以太网部署难题。

weixin_30740295的博客 522

开源DIY龙门架:从零构建可编程运动控制平台

运动控制是自动化与机器人技术的核心基础,它通过精确指令驱动执行机构,实现物体的定位与轨迹规划。其原理通常涉及控制器、驱动器、电机与传动机构的协同工作,核心价值在于将数字指令转化为精准的物理运动,从而解放人力并提升作业一致性。在工业自动化、桌面制造(如3D打印、激光雕刻)及教育机器人等领域应用广泛。本文聚焦于一个具体的工程实践案例:使用**铝型材**、**3D打印**零件、Arduino控制器及步进电机,从机械结构设计、电路连接到代码编写,手把手教你打造一个模块化、可扩展的开源龙门架系统。该系统不仅成本可控,

weixin_33168937的博客 628

史上最全的Logisim存储系统实验教程(基于华中科技大学计算机组成原理实验)内赋源码下载

本博客是最全的最好的解释的华中科技大学计算机组成实验存储系统实验,本博客给出了电路实现,也给出了使用电路的原因有利于新手学习十分详细。并且内赋源码下载。

qq_62325622的博客 2万+

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: 时钟树综合(一)
下一篇: 数字IC笔记-MMMC、WNS和TNS
卢卡喵
博客等级 码龄9年 8072粉丝 156原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址