# =============================================================================
# 蒙特卡罗仿真 (Monte Carlo Simulation) 详解
# =============================================================================
# 蒙特卡罗方法是一种基于随机采样的数值计算技术。它通过重复随机抽样
# 来获得数值结果的统计分布,广泛应用于金融、物理、工程(特别是 EDA)
# 等领域。
# -----------------------------------------------------------------------------
# 1. 核心思想
# -----------------------------------------------------------------------------
# "当问题太复杂无法用解析公式求解时,就通过大量的随机实验来逼近答案。"
#
# 基本步骤:
# 1. 定义输入参数的概率分布模型。
# 2. 从这些分布中随机生成大量样本(Scenario)。
# 3. 对每个样本执行确定性计算(如 STA 分析)。
# 4. 汇总所有结果,分析输出的统计特性(均值、方差、Yield 等)。
# -----------------------------------------------------------------------------
# 2. 为什么在 EDA/芯片设计中需要蒙特卡罗?
# -----------------------------------------------------------------------------
# 现代工艺节点(7nm, 5nm, 3nm)下,变异(Variation)极其显著:
# - 工艺变异 (Process): L, W, Tox, Vth 的随机波动。
# - 环境变异 (Environmental): 电压、温度的动态变化。
# - 老化变异 (Aging): NBTI, HCI 导致的性能退化。
#
# 传统的 Corner-based 方法(WC/BC)过于悲观,导致面积和功耗浪费。
# 蒙特卡罗仿真可以:
# 1. 准确评估芯片的 Yield(良率)。
# 2. 优化设计余量 (Design Margin)。
# 3. 识别对变异最敏感的 critical paths。
# -----------------------------------------------------------------------------
# 3. 蒙特卡罗在静态时序分析 (STA) 中的流程
# -----------------------------------------------------------------------------
# 步骤 1: 建立统计模型
# ---------------------
# 将每个单元延迟、线延时建模为正态分布或其他分布。
# 例如:Delay = Nominal + Sigma_process * N(0,1) + Sigma_global * N(0,1)
# 步骤 2: 随机采样
# -----------------
# 使用伪随机数生成器产生符合特定分布的参数值。
# 常见的采样方法:
# - 简单随机采样 (Simple Random Sampling)
# - 拉丁超立方采样 (Latin Hypercube Sampling, LHS): 效率更高,覆盖更均匀。
# 步骤 3: 执行仿真
# -----------------
# 对于每一组采样参数,运行一次完整的 STA 分析。
# 记录关键指标:WNS (Worst Negative Slack), TNS, 频率等。
# 步骤 4: 统计分析
# -----------------
# 收集成千上万次仿真的结果,绘制直方图,计算累积分布函数 (CDF)。
# 确定在特定置信度下的时序边界(例如 3-sigma yield)。
# -----------------------------------------------------------------------------
# 4. Tcl 实现示例:简单的蒙特卡罗时序估算
# -----------------------------------------------------------------------------
# 假设我们有一个简单的路径,其总延迟受三个独立随机变量影响:
# D_total = D1 + D2 + D3
# 每个 Di 服从正态分布 N(mu_i, sigma_i)
# 辅助函数:生成标准正态分布随机数 (Box-Muller Transform)
proc rand_normal {} {
set u1 [expr {rand()}]
set u2 [expr {rand()}]
# 避免 log(0)
if {$u1 < 1e-10} {set u1 1e-10}
return [expr {sqrt(-2 * log($u1)) * cos(2 * 3.14159265358979 * $u2)}]
}
# 蒙特卡罗主函数
proc mc_timing_analysis {num_iterations} {
# 定义各段延迟的均值和标准差 (单位: ns)
set params {
{0.05 0.005} ;# D1: mu=0.05, sigma=0.005
{0.08 0.008} ;# D2: mu=0.08, sigma=0.008
{0.06 0.006} ;# D3: mu=0.06, sigma=0.006
}
set clock_period 0.25 ;# 假设时钟周期 250ps
set results {}
for {set i 0} {$i < $num_iterations} {incr i} {
set total_delay 0
foreach p $params {
lassign $p mu sigma
# 生成符合 N(mu, sigma) 的随机延迟
set delay [expr {$mu + $sigma * [rand_normal]}]
set total_delay [expr {$total_delay + $delay}]
}
# 计算 Slack
set slack [expr {$clock_period - $total_delay}]
lappend results $slack
}
# 统计分析
analyze_results $results $clock_period
}
# 结果分析函数
proc analyze_results {results clock_period} {
set count [llength $results]
if {$count == 0} return
# 排序以便计算百分位
set sorted_results [lsort -real $results]
# 计算均值
set sum 0
set violations 0
foreach s $sorted_results {
set sum [expr {$sum + $s}]
if {$s < 0} {incr violations}
}
set mean_slack [expr {$sum / double($count)}]
# 计算标准差
set sum_sq_diff 0
foreach s $sorted_results {
set diff [expr {$s - $mean_slack}]
set sum_sq_diff [expr {$sum_sq_diff + $diff * $diff}]
}
set std_dev [expr {sqrt($sum_sq_diff / double($count))}]
# 计算 Yield (无违例的比例)
set yield [expr {(1.0 - double($violations) / $count) * 100}]
# 获取 3-sigma 对应的 Slack (近似取第 0.13% 分位点,即 3-sigma)
# 简单起见,这里取最小值和最大值作为参考
set min_slack [lindex $sorted_results 0]
set max_slack [lindex $sorted_results end]
puts "========================================="
puts "Monte Carlo Timing Analysis Results"
puts "Iterations: $count"
puts "Mean Slack: [format %.4f $mean_slack] ns"
puts "Std Dev: [format %.4f $std_dev] ns"
puts "Min Slack: [format %.4f $min_slack] ns"
puts "Max Slack: [format %.4f $max_slack] ns"
puts "Violations: $violations"
puts "Estimated Yield: [format %.2f $yield] %"
puts "========================================="
}
# 运行示例:执行 10,000 次迭代
# mc_timing_analysis 10000
# -----------------------------------------------------------------------------
# 5. 蒙特卡罗 vs SSTA (Statistical STA)
# -----------------------------------------------------------------------------
# | 特性 | 蒙特卡罗 (MC) | SSTA (Analytical) |
# |------|---------------|-------------------|
# | 原理 | 随机采样模拟 | 数学公式推导 (矩匹配等) |
# | 精度 | 高 (取决于采样次数) | 中等 (依赖近似模型) |
# | 速度 | 慢 (需运行数千次 STA) | 快 (单次运行即可) |
# | 相关性处理 | 自然处理 (通过协方差矩阵采样) | 复杂 (需显式建模) |
# | 适用场景 | 最终 Signoff, 关键模块验证 | 早期探索, 快速迭代 |
# 在实际 EDA 流程中:
# 1. 设计初期使用 SSTA 快速评估。
# 2. 接近 Tape-out 时,对关键路径或全芯片进行蒙特卡罗仿真以确认 Yield。
# -----------------------------------------------------------------------------
# 6. 提高效率的技巧
# -----------------------------------------------------------------------------
# 1. 重要性采样 (Importance Sampling):
# 更多地采样那些可能导致违例的区域,提高对尾部概率的估算效率。
#
# 2. 并行计算:
# 蒙特卡罗的各个迭代是独立的,非常适合多核 CPU 或分布式计算。
#
# 3. 减少仿真范围:
# 只对 Critical Paths 进行 MC 分析,而非全芯片。
#
# 4. 使用 LHS (Latin Hypercube Sampling):
# 相比简单随机采样,LHS 能用更少的样本获得更稳定的统计结果。
# -----------------------------------------------------------------------------
# 7. 总结
# -----------------------------------------------------------------------------
# 蒙特卡罗仿真是处理复杂系统不确定性问题的强大工具。在芯片设计中,
# 它帮助工程师从"最坏情况"的思维转向"概率_yield_"思维,从而在性能、
# 面积和良率之间找到最佳平衡点。虽然计算成本高,但随着算力提升和
# 算法优化,它已成为先进工艺节点下不可或缺的 Signoff 手段。