工具鏈工具——映射與調度、模擬與驗證、開發與測試工具

本篇文章將重點介紹工具鏈的工具相關知識，我們將從工具鏈的基本概念出發，重點介紹工具鏈中的映射和調度工具、模擬與驗證工具、開發和測試工具，最后提出對工具鏈發展的展望，從而對工具鏈的工具進行一個較為系統的講解。

工具鏈的基本概念

工具鏈，英文名稱toolchain，通常是指在軟件開發或硬件設計中使用的一系列工具和軟件，用于完成特定任務或流程。這些工具一般接連地使用，從而完成一個個任務，這也是“工具鏈”名稱的由來。

而在AI芯片領域，工具鏈特指連接模型算法到芯片部署的端到端系列工具。面向存算一體芯片的深度學習編譯工具鏈包括深度學習的算法設計、前端網絡的模型轉換、存算一體的電路設計等模塊；如今，面向傳統芯片的深度學習編譯工具鏈發展健全，而面向存算一體芯片的深度學習編譯工具鏈在前端優化策略、后端空間映射等方面都仍有欠缺，這使得深度學習部署在存算一體芯片上移植性低、成本高，因此需要我們設計出能實現端到端的存算一體工具鏈及軟硬件系統。面向存內計算芯片的深度學習編譯工具鏈通常包括量化、圖優化、映射與調度、模擬與驗證、開發與測試等工具，前面我們已經介紹過量化和圖優化相關知識，本篇文章我們將介紹映射與調度、模擬與驗證、開發與測試這三種工具。

映射與調度工具

數據布局和計算任務在存儲陣列中的映射至關重要，相應的工具應能智能地分配和管理數據在內存單元中的位置，優化計算效率和帶寬使用；調度工具則負責在不同時刻根據資源約束安排計算操作，確保有效利用存內計算硬件的并行性和容量。在深度學習編譯工具鏈中，映射與調度工具專門用于將高層的模型描述轉換為優化的硬件指令，并調度這些指令到具體的計算資源上。這些工具通過高級優化技術來提升執行效率和硬件利用率。

下面以一些具體工具舉例：

1.TPU-MLIR[1]:

TPU-MLIR是一種專用于處理器的TPU編譯器。該編譯器項目提供了一個完整的工具鏈，可以將來自不同深度學習框架(PyTorch, ONNX, TFLite和Caffe)的各種預訓練神經網絡模型轉換為高效的模型文件(bmodel/cvimodel)，以便在SOPHON TPU上運行。通過量化到不同精度的bmodel/cvimodel，優化了模型在sophon計算TPU上的加速和性能。這使得可以將與對象檢測、語義分割和對象跟蹤相關的各種模型部署到底層硬件上以實現加速。

圖 1 TPU-MLIR整體架構[1]

2.TensorRT[2]：

TensorRT是NVIDIA提供的一個高性能深度學習推理（inference）引擎，專為生產部署優化。TensorRT提供了API和解析器，可以從所有主要的深度學習框架中導入經過訓練的模型，廣泛用于需要快速推理的應用場景，如視頻分析和圖像處理。

圖 2 TensorRT logo[2]

3.TVM[3]：

Apache TVM是一個端到端的深度學習編譯框架，適用于 CPU、GPU 和各種機器學習加速芯片。TVM 提供以下功能：將深度學習模型編譯成最小可部署的模塊；在更多的后端自動生成和優化模型的基礎設施，進一步提高性能。TVM支持廣泛的硬件平臺和前端框架，能夠自動優化模型以適應不同的硬件架構。

圖 3 TVM示意圖[3]

4.OpenVINO[4]：

OpenVINO是英特爾開發的一套優化深度學習性能的工具集，是一款可輕松實現“一次寫入，處處部署”的開源AI工具套件，可以縮短延遲，提高吞吐量，加速AI推理過程，同時保持精度，縮小模型占用空間，優化硬件使用，支持多種類型的英特爾硬件。OpenVINO可以轉換和優化使用TensorFlow和PyTorch等熱門框架訓練的模型，在多種英特爾硬件和環境、本地、設備、瀏覽器或云中部署，用于加速計算機視覺、自動駕駛等領域的深度學習推理任務。

圖 4 OpenVINO原理示意圖[4]

模擬與驗證工具

芯片設計中，模擬與驗證工具是確保設計達到期望性能和功能的關鍵。這些工具模擬實際操作環境，預測芯片行為，并驗證設計是否符合規格，幫助發現并修正錯誤，提高產品可靠性和效率。

芯片設計的模擬技術可分為軟件仿真和硬件仿真。軟件仿真在計算機上使用仿真軟件模擬芯片設計行為，不需硬件參與，常見工具有ModelSim、VCS、Virtuoso、C++或SystemC相關芯片模擬器等；硬件仿真則使用通用硬件平臺FPGA或專用仿真器，提供更真實的硬件操作環境，仿真速度更快。

按流程的先后，芯片設計的模擬技術還可更細致地分為行為級仿真（功能仿真）、綜合后的功能仿真、綜合后帶時序信息地仿真、布局布線后的功能仿真、布局布線執行后的時序仿真[5]，工具鏈驗證使用的模擬器以行為級為主。在仿真過程中，綜合后門級功能仿真被稱為前仿，布局布線后的時序仿真被稱為后仿，前仿使用硬件描述語言描述電路邏輯；后仿在設計完成后進行，主要考慮電路物理（連線、排布、電容、電阻等）的影響。

驗證技術包括形式驗證和代碼驗證。形式驗證通過數學方法證明設計正確性，不依賴測試例，常用工具有Synopsys的VC Formal；代碼驗證，尤其是代碼覆蓋分析，用來檢查測試用例是否覆蓋所有可能路徑，幫助發現遺漏的功能區域。

對于新型的存內計算芯片，由于FPGA平臺難以完全仿真其核心功能，常采用軟件仿真或特定開發板如知存科技的WTMDK2101系列。而在數字芯片設計中，前端充分的邏輯仿真可避免后端問題。因此，在存算一體芯片的設計過程中，前仿和軟件仿真是非常重要的內容。

下面介紹部分常用模擬與驗證工具：

1. VCS：高性能Verilog仿真和調試工具，支持多種語言，適用于復雜SoC和ASIC設計驗證。優勢在于仿真速度快，調試方便，但僅支持Linux和Unix系統。

圖5 使用VCS和Verdi進行仿真并查看波形的一個簡單例子

2. PrimeTime：靜態時序分析工具，全面進行時序性能驗證，包括時序分析和功耗分析。但是該軟件的操作需要相關專業知識，準確選擇庫文件和延時文件至關重要。

3. ModelSim：支持多種HDL語言的仿真工具，提供豐富的調試功能。優勢在于友好的用戶界面，但在仿真速度和性能上不如VCS。

4. Formality：形式驗證工具，驗證數字IC設計中功能等效性，保證設計修改不引入錯誤。但需要設計者熟悉設計語言版本，可能存在編程語言版本導致的兼容性問題。

5. Virtuoso：模擬、混合信號的設計和仿真工具，它為設計者提供了全面的設計和驗證環境，從概念設計到芯片布局和制造的每個階段都能得到支持。但是軟件功能較為復雜，所需計算資源較大。

圖6 Virtuoso用戶界面

CEVA SoC：作為一種編程語言，SystemC可用于將硬件和軟件描述指定為抽象行為模型。SystemC還提供事件驅動型仿真接口，開發人員可以通過該接口模擬并發進程。即使尚未設計系統的某些部分，開發人員也可以為SoC仿真生成完整系統的可執行模型。CEVA SoC模擬器提供集成SystemC仿真環境，允許系統工程師、架構師和軟件開發人員在硅前階段進行建模、分析和調試。該虛擬模擬器可用于架構定義和快速原型設計，并可用作有效的IP評估和概念驗證 （PoC）工具。它能夠與MATLAB無縫對接，以便用于開發算法和測試。CEVA客戶可以在FPGA平臺上模擬他們的系統以進行最終驗證[6]。

圖 7 CEVA SoC模擬器示意圖[6]

開發和測試工具
芯片設計中，我們也需要一套完成的開發與測試工具，包括集成開發環境（IDE）、代碼編輯器、單元測試和集成測試工具在哪的各種工具等等。前序的模擬與驗證階段主要聚焦于設計的準確性和功能性，包括功能驗證、時序驗證、形式驗證等等；而開發和測試階段更側重于設計的實現與測試，包括編碼、布局布線、各種測試來確保設計的正確性和性能。

下面介紹部分常用的開發和測試工具：

1. Synopsys IO Complier II：主要應用于物理綜合，包括布局布線等相關功能，可實現和優化IC的物理布局，Cadence virtuoso、Mentor Graphics Calibre等軟件也有能實現進行物理設計和布局的相關功能。

2. Xilinx Vivado：用于FPGA的設計和綜合，提供全面的開發環境和工具支持，可將邏輯設計映射到FPGA架構上，并生成可下載到FPGA器件的比特流文件。

圖8 Vivado開發界面

Vim、Emacs、VScode+iverilog：常用的代碼編輯器，常用于編輯硬件描述語言Verilog、VHDL等等。

圖9 Vscode與iverilog聯動編寫硬件描述語言

4. Cadence Palladium Emulator：用于大規模集成電路驗證。

5. Synopsys ZeBu：用于硬件/軟件共同驗證或驗證加速。

6.Mentor Graphics Veloce Emulation Platform：用于驗證SoC設計。

7.Witmem studio：由知存科技開發的一款全功能集成開發環境，包含客戶識別的SDK推送功能，SDK包自動更新下載安裝功能，內核自動識別語法高亮編輯器，面向不同功能的個性化工程創建功能，以及常規IDE所具有的項目工程管理、文件編輯、編譯、調試等功能，可在知存科技官網進行軟件下載[7]。

圖10 Witmem Studio開發界面

8.其他工具：Tcl/TK、Python等用于自動化測試和腳本編寫的軟件。

總而言之，為推動存內計算規模應用，工具鏈的發展壯大將成為存內計算芯片設計中的必然訴求，它們需要業界共同發力，共同搭建面向存內計算的映射與調度、模擬與驗證、開發與測試工具鏈。相信在不久的將來，存內計算芯片相關工具鏈將迎來井噴式發展，讓我們一同分享、一同創造，一起見證存內計算芯片的生態繁榮時代。

參考文獻：

[1]編譯器：TPU-MLIR環境構建及使用指南（一） - 江左子固 - 博客園 (cnblogs.com).

[2]使用 NVIDIA TensorRT 加速深度學習推理（更新） - NVIDIA 技術博客.

[3]Apache TVM中文站（tvm.hyper.ai）.

[4]英特爾? 發行版 OpenVINO? 工具套件 (intel.cn).

[5] FPGA中的五個級別和五種仿真(blog.csdn.net).

[6]CEVA SystemC 模擬器：出色的 SoC 模擬器 - 與非網 (eefocus.com).

[7]知存科技存內計算芯片開發者中心（witintech.com/develop.php）.

審核編輯 黃宇