论 STA | STA之AOCV
今儿接着《绿蚁新醅酒，红泥小火炉：STA之OCV》来聊AOCV，AOCV全称：Advanced OCV，T家叫SBOCV，总是忍不住联想到傻逼OCV，实际上是：Stage Based OCV。
为什么要引入AOCV
为了精确性，为了剔除悲观度。用set_timing_derate来设置OCV，对于一个固定的corner，只能对data/clock, cell/net, late/early分别设不同的值，由下图可知，这个值是个trade off的结果，在保证yield的前提下，尽量不那么悲观，但由于其『固定天性』，这个值既不能cover最悲观的部分，而对另一部分又过于悲观。
OCV=Random component + Deterministic component, 对于随机部分，由于随机性，不可能一条path上的所有cell都同时悲观，它们之间的variation是可以相互抵消的。想象这样一个例子：一条由10个buffer组成的datapath，如果每个buffer的variation是6p，那10个buffer的variation就是60p，而实际上10个buffer整体的variation是远小于60p的。所以用单一的derate来模拟OCV是太过悲观的，而且随着工艺进步设计频率提高，这种悲观度已无法承受。于是在65nm引入AOCV的概念，40nm开始在timing sign-off中采用，28nm开始大量使用。
什么是AOCV
AOCV是一种用伪统计（pseudo-statistical ）来模拟variation的方法，相对于传统OCV更精确，它用于模拟random 和systematic variations：
Systematic variation：即Distance based AOCV，用于模拟global variation，根据芯片制造过程的统计特性，距离越远的cell之间相对的variation越大，所以用distance based AOCV来描述距离跟derate之间的关系，距离越大derate越大，这个距离是指一条timing path所在『物理范围』内对角线的长度。timing path的位置信息由SPEF提供，这要求抽SPEF时需要将坐标信息抽出，在STA中读SPEF时要把SPEF的坐标读入。
Random variation：即Depth based AOCV，用于模拟Local variation，由于random variation相互抵消作用，derate随着路径深度的增加而减小。
通常AOCV table有一维跟二维两种，一维table的index是depth，二维table的index是depth跟distance。对于每种类型的cell，foundry会针对rise/fall, late/early, data/clock分别提供一个table。
object_type : lib_cell
rf_type : rise
delay_type : cell
derate_type : late
path_type : data
object_spec : 10nmlib/BUF_X4
depth : 1 2 3 4 5
table: 1.183 1.145 1.122 1.109 1.0901
object_type : lib_cell
rf_type : rise
delay_type : cell
derate_type : early
path_type : data
object_spec : 10nmlib/BUF_X4
depth : 1 2 3 4 5
distance: 0 500 1000 1500
table: 1.123 1.090 1.075 1.067 1.062
1.124 1.0911.076 1.068 1.063
1.125 1.0921.077 1.070 1.065
1.126 1.0941.079 1.072 1.067
如何使用AOCV做STA分析
分别从methodology跟tool来看这个问题。
Methodology：区别于OCV，AOCV的derate值是基于depth 或/和 distance的，所以首先需要得到depth 或/和 distance。这就要涉及到另一组概念，GBA跟PBA，限于runtime当今STA都起始于GBA分析，在GBA结果的基础上用PBA进一步过滤violation path，关于GBA跟PBA会单独聊，此处不做太多描述。AOCV的计算通常也分GAB跟PBA两步：
GBA AOCV:
- 对于一个cell，其Depth取其所在所有timing path上的最小值；
- 不考虑distance based OCV，即不计算distance的值；
- 如果AOCV table是二维的，STA工具通常会选最后一行做GBA分析，以保证distance值最悲观。
如上图，每个cell的Depth计算请参考下表：
Cells | Stage Count | Stage Path |
|---|---|---|
C0 | 5 | C0-C1-C2-C5-RL1 or C0-C6-C7-C10-RC1 |
C1-C2 | 4 | C1-C2-C5-RL1 |
C3-C4-C44-RS-U1-U2 | 6 | C3-C4-C44-RS-U1-U2 |
C6-C7 | 3 | C6-C7-C10 |
C8-C9 | 2 | C8-C9 |
PBA AOCV:
- 在GBA的基础上，针对用户指定的一组path重新计算timing，并重新计算该组path上每个cell的Depth；
- 对于一个cell，其Depth对不同的path分别计算，分别取该cell所在path上的精确值；
- 如果提供了distance basbed AOCV table，会根据SPEF中的坐标信息，计算对应path所在区域的对角线长度，即derate值从二维表格中得到。
- PBA计算得到的值更精确，但需要特别特别特别长的runtime。
Tool：因为方法学上一致，在工具端，除了变量/命令命名方式不同，剥去这层外衣，里面都是一样雪白的肉体。此处仍以Tempus为例，来介绍工具端使用模型(use model)。
使能AOCV 分析:
- setAnalysisMode –aocv true –analysisType onChipVariation
读入AOCV table:
- Single corner: read_lib -aocv my.aocv
- MMMC: create_library_set -name mylib -timing my.lib -aocv my.aocv
AOCV相关变量设置：
列几个常用变量，至于每个变量用于什么用途，请自行查guide。这里需要特别说明的一点是：如果既读入了AOCV table又用set_timing_derate设了OCV，不同工具的行为有所差别，都有相应的变量控制。对于Tempus工具在计算最后的derate时会根据以下标红变量的不同设置，做不同计算。
timing_aocv_analysis_mode
timing_aocv_derate_mode
timing_derate_aocv_reference_point
timing_derate_ocv_reference_point
timing_derate_aocv_dynamic_delays
AOCV report：
report_aocv_derate
report_timing -retime aocv/aocv_path_slew_propagation
report_timing -format { ... stage_count aocv_derateuser_derate ...}
参考文献
Understanding Stage Count andDistance for Advanced OCV Analysis.pdf
Analysis with Advanced On-chip Variation (AOCV) derating.pdf
http://www.paripath.com/blog/characterization-blog/comparing-aocv-to-pocv
http://www.design4silicon.com/2016/03/ocv-and-aocv-advanced-on-chip-variations.html