云特征

库表征是一个计算密集型任务,需要数天甚至数周的时间完成。运行时库描述增加是由于大图书馆大小,更多的操作条件的特点,以及在库统计变化建模的必要性22/20nm和较小的流程节点。云平台提供了一种加快图书馆的显著特征。

除了周转时间改进启用更多的cpu,云平台提供更多的灵活性相比本地计算集群,以及更多的均匀性可用的计算资源,使运行时更可预测。总的来说,云计算特性可以减少全库表征周转时间从天的小时。

有几个因素考虑到当建立cloud-deployed库表征流。除了工具准备和可伸缩性,云配置机器类型和存储方法等因素会影响整体的运行时。EDA云供应商的伙伴关系可以帮助客户迅速增加通过提供最佳云配置和cloud-tested表征流动。

库描述运行时和计算资源的挑战
过去的一年已经增加了兴趣在云平台上运行标准细胞或内存库特征。这并不奇怪,因为描述现代图书馆的运行可能会花费数天甚至数周的时间来完成,即使使用计算集群跨越几百个cpu。长CPU运行时和库表征所需的计算资源可以归因于几个主要原因:

细胞的数量或内存配置。现代标准单元库可以包含成千上万的标准电池。除了基线组组合和连续的细胞,今天的图书馆还包括multi-bit失败,电源管理单元,和其他专业,复杂的操作单元。大量的标准电池,乘以每个单元所需的所有表数据导致大量的模拟需要产生所有的结果。的记忆,记忆表征涉及许多不同的组合配置也会导致更多的模拟时间。

操作条件的特点。每个单元或内存实例必须特征在许多操作条件过程中,电压和温度(pvt)。新的应用程序空间和芯片架构需要在更大的范围内可靠运行操作电压,包括超低电压设置通常更倾向于时间变化。更先进的工艺技术,如7和5 nm, PVT角落的数量特征可高达100 - 200,由于晶体管的行为等因素,金属特性,制造过程变异性。

统计变化建模。LVF(自由变体格式)变化建模已成为实际的必要性,特别是对于图书馆22/20nm下面。为了模型变化,每个数据点的时机模型需要相当于成千上万的蒙特卡罗模拟香料获得特征的结果。今天大多数描述工具近似适用于减少模拟所需的数量,但是仍然需要5 x-10x运行时相对于标称值表征。

对于库描述团队来说,这意味着计算资源和性能已经成为瓶颈的过程中为生产计划按时交付特征库。自库表征意义重大,所需的计算资源扩大图书馆特征计算集群需要大量投资和周密的计划,特别是如果需要图书馆特征计算资源只发生在稀疏的间隔。

在云中运行库特征的好处
因为大多数图书馆描述运行时花了数百万次的香料模拟运行,很少或根本没有inter-dependency,图书馆特征的任务被认为是主要非耦合。这提供了一个机会,规模与大量的cpu,使图书馆的特性非常适合云部署。与本地计算集群相比,云平台可以提供许多好处:

周转时间改进是云特征可以带来最明显的好处。由于潜在的高CPU可伸缩性,在云平台上运行特性与大量的CPU(例如10000 CPU或更多)是一个可行的方法,大大加快高优先级描述的任务。这一点,除了能够迅速进行分配和释放虚拟机在云上,使图书馆团队“破裂”通过与大量的cpu高优先级任务描述。库表征工作,通常带着天本地计算集群,可以在几个小时内完成。这不仅加快交货时间表,但允许图书馆团队更快地做出反应增量描述需求。

灵活性云平台带来另一个好处是库特征。本地计算资源升级和扩张周期,需要进行大量的规划和更换模具。一旦设置,本地计算资源相对刚性直到下一次升级/扩张周期。另一方面,云用户可能会改变资源类型几乎瞬间。例如,如果设计团队发现当前机器类型不提供足够的内存/ CPU核心,他们可以交换一个新的资源类型下运行。CPU类型、存储类型和数量的内存只是几个因素可能会改变在不影响生产计划或导致巨大的硬件采购成本。这允许图书馆团队微调计算集群配置来满足他们的需求。

性能的可预测性是一个有利于库描述团队。许多图书馆团队与其他团队分享本地计算资源,控制独家使用的CPU时间。大多数工程师经历的情况下派遣工作花比平时更长的时间来完成,由于其他任务利用在同一台机器上的CPU周期。此外,工作需要大量的cpu可能最终被机器上执行不同的规格,根据作业调度器是如何配置的。云平台的能力提供大量的机器相同的规范用于一个特定的任务可以帮助消除这些变量可能会影响运行时性能,导致更可预测的运行时。

云描述流动的考虑

图1:云特征配置示例。

的一个主要方面,建立一个云特征流(图1)是虚拟机的类型,存储和数据传输机制使用。compute-optimized或者memory-optimized机器通常是用作香料仿真网格/工人机器,形成的主要批量执行节点(和计算成本)表征工作。

用于存储,有几个选项可以从云提供商,包括不同NFS和并行文件系统,以及缓存软件加速磁盘访问。除了描述软件优化了文件访问,同样重要的是,存储系统带宽充分支持文件访问需求;否则它可能成为瓶颈,减缓表征工作。

虽然这看起来很多选择让为了充分受益于云特征,好消息是,大部分的这些选择可以映射库描述团队。除了准备和可伸缩性测试在云上,导师还与云提供商来确定最优配置云特征,所以云描述客户可以在云中完全得益于大规模并行化,以及缩短加速时间有效地部署。

导师库表征和AFS / Eldo云平台

图2:导师库表征平台和AFS / Eldo运行在云图书馆characterization-driven AMS所需提供破裂能力验证工作负载。

导师的图书馆的特征平台合作与AFS Eldo香料模拟器提供了一个高性能、高通量库描述和验证解决方案库团队(图2)。导师与主要的云提供商紧密合作来测试,确保cloud-readiness和可伸缩性。