芯片Block的划分问题解析

后端在floorplan阶段，如何摆放macro是一个很重要的问题。如果采用层次化设计，对于每一个block来说都需要在block内部把所分配的macro摆好。

如果某一个block里的macro很多，又很大，std cell再多一些，utilization就会很大，相应的这个block的floorplan就比较难做，而其他block的utilization很小，这样的design就不太好。

我们总是希望所有的block都能有差不多的utilization，平均且充分地利用芯片的每一块面积，这就需要在block划分初期就做好预估。

这个问题需要前端与后端协调配合，block的划分是需要前端提供带有hierarchical结构的netlist，然而前端在做hierarchical的综合的时候，并不会过多考虑后端物理层面的信息，因此可能综合出的netlist各个block物理上不是那么均衡。

当然，这种netlist也是可以物理实现的，只是对于有些要求比较高的design来说，最后出来的芯片性能可能会有所不足。

这个时候后端工程师就可以反馈，比如说，把某个block的某个macro综合到另一个block里去，或者两个block就直接merge变为综合成一个block。收到反馈以后，前端工程师就可以重新综合，再给我们新的netlist来做物理实现。

以上这个过程可能需要迭代几次才能达到最佳效果，但这样会需要花费很多时间，导致芯片设计周期变长。一种更快速的方案是，前端首先综合出flatten的netlist，就是不带任何hierarchical信息的，出这种netlist的速度应该相对快一点。

后端拿到flatten的netlist之后，就知道了macro以及有关的std cell的面积了，这样后端就可以直接通过这些物理信息和逻辑信息来划分block，再把分配好的结果给前端，前端就可以参考这样的分配来做hierarchical层级。

不管是flatten的综合还是hierarchical的综合，出来的cell的count或area是差不多的，因此后端在拿到hierarchical的netlist之后，做出来的block物理情况应该也与之前用flatten netlist的预估差不多。

有一个可能疑惑的地方是，这里前端给的netlist永远是总的芯片的所有的netlist，不管是flatten还是带hierarchical结构的netlist都是一个file。

我们后端也会做netlist的划分，不过是根据前端给的那份netlist切割成好多个netlist给不同的block来用，相当于把一个文件变成多个文件，每个block拿一个，分割的依据是总的netlist的hierarchical结构。

有的时候资本家觉得上面的方法还是慢，并且还想追求比较好的芯片性能，就有人想出了更为讨巧的办法。这个方法牺牲了一定的准确度，但大大提高了速度。

就是说前端在综合之前就把ip和所用macro的信息提供给后端，而后专门有工程师来利用大数据机器学习的方法预估出每个ip相关的std cell的area和count。

没错，机器学习也应用到芯片领域了，一个ip在之前的芯片中用的越多，样本量就越大，学习的效果就越好。

后端就可以根据这一份预估的结果来进行block划分，然后把划分结果反馈给前端，前端就可以直接按这个方案综合，综合次数最少仅需一次！芯片设计周期大大缩短，但相应的划分的准确度也较难保证。