💻 computer science

OpenOpt: An Open-Source SRAM Optimizer Based on Equivalent Circuit Model

本文介绍了 OpenOpt，这是一个开源的协同优化框架，它利用等效电路模型来对 SRAM 架构和晶体管尺寸进行联合优化，从而实现了与现有方法相比显著的仿真加速和更优越的性能指标。

原作者： Yikai Wang, Yiheng Wu, Can Wang, Bohao Liu, Junhao Ma, Zhuohua Liu, Qinxin Mei, Shan Shen

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Yikai Wang, Yiheng Wu, Can Wang, Bohao Liu, Junhao Ma, Zhuohua Liu, Qinxin Mei, Shan Shen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试为一个巨大的仓库设计一个终极储物柜。这不仅仅是一个普通的仓库；它是现代计算机芯片的大脑，数以十亿计的微小存储单元（SRAM）都在这里存放数据。你的目标是让这些储物柜尽可能快、尽可能小、且能效最高，同时又不至于散架。

长期以来，设计这些存储库就像是在手工解决一个巨大的拼图游戏，必须一片接一片地通过猜测和经验来完成。这个过程极其缓慢，因为每当你改变一个微小的螺丝（晶体管）大小时，你都必须模拟整个仓库来查看它是否仍然有效。

这篇论文介绍了一个名为 OpenOpt 的新工具，它就像一个“超级聪明的建筑师”来更快、更好地解决这个拼图问题。以下是它的工作原理，通过简单的概念进行了解：

1. “神奇捷径”（等效电路模型）

旧方法最大的问题在于速度。使用高精度物理引擎（称为 SPICE）来模拟拥有数百万个储物柜的仓库是非常缓慢的。如果你有一百万个储物柜，计算机必须检查每一个，即使是那些你目前并未使用的储物柜。

创新之处： 作者们意识到，当你没有在使用某个特定储物柜时，它不需要进行全细节模拟。它只需要作为一个微小的重量或微小的电学“阻力”存在于系统中即可。

类比： 想象你正在测试城市中的交通流量。与其模拟城市中的每一辆车（数百万辆），不如只模拟你正在测试的主干道上的车辆。对于所有停在车库或侧街上的其他车辆，你只需用一个简单的“交通权重”来体现它们的存在，而无需真的让它们行驶起来。
结果： 这个“捷径”使模拟速度提升了 61 倍（就像从慢走变成了超音速飞行），同时依然保持了极高的准确度（误差小于 2%）。

2. “两路并进”策略（协同优化）

此前，设计人员要么改变仓库的布局（有多少行和列的储物柜），要么调整储物柜内部螺丝的大小（晶体管尺寸）。他们很少同时做这两件事，因为这太复杂了。

创新之处： OpenOpt 同时观察这两个问题。

类比： 这就像设计一座房子。你不能只决定“我想要更大的窗户”（晶体管尺寸），而不去考虑“我是想要一座豪宅还是一个小木屋？”（架构）。如果你选了一座豪宅却只用了极小的窗户，那会很低效；如果你选了一个小木屋却装了巨大的窗户，那结构就会不稳定。OpenOpt 能同时找到房屋形状与窗户大小之间的完美平衡。

3. “算法锦标赛”

为了找到最佳设计，该工具使用了七种不同的“搜索策略”（算法）。你可以把它们想象成七支试图在黑暗森林中寻找宝藏的探险队。

有些队伍既谨慎又讲究方法（如模拟退火算法）。
有些队伍像鸟群一样聚集在一起行动（粒子群优化算法）。
有些队伍则利用复杂的地图来预测宝藏可能出现的位置（贝叶斯优化）。
获胜者： 其中一支被称为 MOEA/D 的队伍脱颖而出成为了冠军。它找到的设计方案实现了：
- 体积缩小 73.6%（节省了大量空间）。
- 能效提升 42.3%（消耗更少的电量）。
- 稳定性提高 6.2%（更不容易丢失数据）。

4. “顿悟时刻”（究竟什么才是关键？）

研究人员进行了一项特别测试，以观察在整个过程中，改变布局还是改变螺丝尺寸更为重要：

发现： 改变布局（架构）完成了约 84% 的重活。这就像是意识到，建造几个大型且高效的房间，远比建造成千上万个狭窄拥挤的小壁橱要有效得多。
精炼： 改变螺丝尺寸（晶体管尺寸）则提供了最后的润色，压榨出最后一点效率。
教训： 你两者都需要，但先搞定大局面的设计是最重要的步骤。

总结

OpenOpt 是一个开源工具，它能帮助工程师比以前更快、更好地设计计算机存储器。它通过以下方式实现目标：

使用“智能捷径”在几秒钟内模拟数百万个存储单元，而不是耗费数小时。
同时调整宏观布局和微观内部组件。
利用智能算法团队寻找完美平衡，从而打造出体积更小、速度更快、功耗更低的存储器。

论文结论指出，该工具现在已向所有人开放使用，助力构建下一代更快、更高效的芯片。

技术摘要：OpenOpt —— 基于等效电路模型的开源 SRAM 优化器

1. 问题陈述

随着半导体工艺节点的缩减，静态随机存取存储器（SRAM）设计在平衡功耗、性能、面积（PPA）与良率方面面临严峻挑战。传统的设计流程严重依赖于人工迭代和高精度 SPICE 仿真，而对于包含数百万个单元的大规模阵列，这种方式在计算上是极其昂贵的。全阵列 SPICE 仿真的运行时间随阵列规模呈超线性增长，从而形成了瓶颈。

此外，现有的优化方法通常存在两个局限性：

仿真效率： 代理模型（如神经网络）缺乏物理可解释性，且在采样稀疏或边界条件下难以保证准确性；而先前的解析模型往往忽略了功耗建模和晶体管间的耦合。
解耦优化： 许多框架将架构级配置（行/列计数、多路复用比例）与晶体管级尺寸调整视为两个独立的、顺序进行的阶段。这种解耦阻碍了在联合设计空间内发现全局最优解，因为架构选择会显著影响晶体管尺寸调整的效果，反之亦然。

2. 方法论

本文提出了 OpenOpt，一个通过高保真等效电路模型对 SRAM 架构和晶体管尺寸进行联合优化的协同优化框架。该工作流由三个核心组件组成：

A. 用于加速仿真的等效电路模型

为了解决仿真瓶颈，作者使用紧凑的等效 RC 负载和静态功耗模型替换了非活跃的 SRAM 单元。

分层建模： 构建了一个 3×3 阵列模型，其中中心单元是一个完整的 6T SRAM，周围的 8 个单元被替换为等效电路。
组件简化：
- 位线 (BL/BLB)： 对于未选中的行，建模为纯电容 ( $C_{BL}$ )，因为访问晶体管处于关闭状态。
- 字线 (WL)： 使用简化的单电容方法 ( $C_{WL}$ ) 进行建模，以捕捉主导行为而不使用复杂的 RC 网络。
- 静态功耗： 建模为从单元级仿真中得出的电阻 ( $R_{static}$ )。
可扩展性： 该模型通过线性叠加扩展到任意 $m \times n$ 阵列，确保计算复杂度与阵列规模解耦。
架构惩罚： 框架通过解析方式对芯片选择译码（基于子阵列数量的对数延迟）和列多路复用（基于多路复用比例的延迟和功耗）进行惩罚建模，确保优化器考虑外围开销。

B. 联合搜索空间与优化算法

OpenOpt 定义了一个统一的搜索空间，涵盖了：

架构参数： 行数 ( $r$ )、列数 ( $c$ )、多路复用比例 ( $\mu$ ) 以及子阵列数量 ( $n_a$ )，受总容量约束。
晶体管参数： 宽度 ( $W_{PU}, W_{PD}, W_{PG}$ )、长度 ( $L$ ) 和阈值电压 ( $V_{th}$ )。

该框架集成了七种优化算法来遍历此空间：

单目标优化： 模拟退火算法 (SA)、粒子群优化 (PSO)、约束贝叶斯优化 (CBO)、SMAC 和 RoSE-Opt。这些算法旨在最大化复合品质因数 (FoM)。
多目标优化： NSGA-II 和 MOEA/D。这些算法直接优化 SNM、功耗、延迟和面积，以探索帕累托前沿 (Pareto front)。

C. 评估指标

对于单目标算法，计算一个综合的品质因数 (FoM)：
$\text{FoM} = \log_{10} \left( \frac{\text{SNM}_{\min}}{\text{Power}_{\max} \times \text{Delay}_{\max} \times \sqrt{\text{Area}}} \right)$
多目标算法则利用原始指标来生成帕累托最优的权衡方案。

3. 主要贡献

高保真等效电路模型： 该模型通过使用 RC 负载替换非活跃单元，实现了高达 61.4 倍的仿真加速，同时保持了极高的准确性（读/写延迟误差 < 0.22%，功耗误差 < 1.68%）。
统一的协同优化平台： 该框架能够同时探索架构和晶体管尺寸，通过消融实验证明了这两个阶段提供的是互补性的增益，而非冗余的改进。
开源工具链： 集成了五种单目标算法和两种多目标算法，并公开发布，以支持 SRAM 设计社区。

4. 实验结果

实验采用 FreePDK45 工艺节点，目标容量为 32 KB × 8 (262,144 bits)。

仿真准确度： 在各种阵列规模（32×16 到 512×512）下，等效电路模型与全 SPICE 仿真相比误差极小，功耗误差上限为 1.68%。
算法性能： 在测试的七种算法中，MOEA/D 取得了最佳品质因数 (8.2721)。
- 较未优化基准的改进：
  - 面积： 减少了 73.6%（从 0.4773 mm² 降至 0.1253 mm²）。
  - 峰值功耗： 降低了 42.3%。
  - SNM (稳定性)： 提升了 6.2%（从 0.273 V 升至 0.290 V）。
  - 延迟： 读延迟和写延迟分别改善了 11.3% 和 14.9%。
消融研究（架构 vs. 尺寸）：
- 架构选择 (阶段 0→1)： 将 1024 个小型子阵列合并为 128 个中型阵列，贡献了约 84% 的总 FoM 增益，这主要是通过减少外围开销（译码器、感测放大器、布线）实现的。
- 晶体管尺寸调整 (阶段 1→2)： 提供了互补性的精细调节，通过调整上拉/下拉比例和阈值电压，进一步降低了 16.6% 的面积并提升了 6.3% 的 SNM。

5. 重要性与声明

本文声称 OpenOpt 解决了 SRAM 优化中仿真效率低和设计解耦的关键瓶颈。通过利用等效电路模型，该框架能够探索此前在计算上难以实现的联合架构-尺寸搜索空间。

作者强调，协同优化策略是必不可少的；仅靠架构选择或晶体管尺寸调整本身都无法达到全局最优。结果验证了架构重组提供了主要的效率增益，而晶体管尺寸调整则提供了必要的精细调节。该工具链的公开发布旨在促进 SRAM 自动化设计优化的进一步研究与应用。