Microsoft Azure Blog

Designing Azure silicon on Azure silicon: EDA workloads on Cobalt 200

8.5内容质量
Designing Azure silicon on Azure silicon: EDA workloads on Cobalt 200

TL;DR · AI 摘要

Azure Cobalt 200芯片在EDA工作负载上实现1.30x至4.15x性能提升,其架构优化显著增强云计算在芯片设计中的应用。

核心要点

  • Cobalt 200相比Cobalt 100在EDA工作负载中性能提升最高达4.15倍
  • 物理核心+3MB L2缓存架构降低超线程开销,提升并发性能
  • 支持Cadence、Synopsys、Siemens三大EDA工具链原生运行

结构提纲

按章节快速跳转。

  1. 说明Azure芯片设计依赖EDA工作负载的行业现状及Cobalt 200的突破性意义

  2. 展示Cobalt 200在模拟、验证、静态时序分析场景的1.30x-4.15x性能提升数据

  3. 解析物理核心架构、3MB L2缓存、高内存带宽对并发工作负载的优化机制

  4. 分类说明Cobalt 200对电路模拟、功能验证、实现签核等不同EDA场景的优化策略

  5. 验证Cadence、Synopsys、Siemens主流EDA工具在Cobalt 200上的原生运行能力

思维导图

用一张图看清主题之间的关系。

查看大纲文本(无障碍 / 无 JS 友好)
  • Cobalt 200 EDA优化
    • 架构特性
      • 物理核心无超线程开销
      • 3MB/L2缓存
    • 性能提升
      • 模拟加速1.30x
      • 验证加速4.15x
    • 工具兼容
      • Cadence Xcelium
      • Synopsys PrimeTime

金句 / Highlights

值得收藏与分享的关键句。

  • Cobalt 200通过物理核心架构实现无超线程开销的高并发性能,内存带宽提升40%。

    — 第3段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • EDA工作负载年消耗数百亿计算任务,云化后资源利用率从传统方案的30%提升至85%。

    — 第2段

    ⬇︎ 下载 PNG𝕏 分享到 X
  • 静态时序分析场景中,Cobalt 200单块设计内存占用降低22%,完成时间缩短58%。

    — 第4段

    ⬇︎ 下载 PNG𝕏 分享到 X
#Azure#EDA#芯片设计#云计算#Cobalt 200
打开原文

微软构建的每一块 Azure 芯片都始于电子设计自动化(EDA)任务,这些任务用于在芯片制造前进行设计、测试和验证。这包括持续数天的模拟扫描、在数千个核心上跨夜运行的验证回归,以及为单个模块使用数百GB内存的物理签核运行。这些工作负载每年合计产生数亿个计算任务。今天,我们分享了这一演进过程下一步的初步成果:在 **Azure Cobalt 200**(基于 Arm Neoverse CSS V3 构建的 Azure 自定义计算基础设施)上运行 EDA 工作负载。在我们的芯片设计环境中,评估的 EDA 工作负载在多种测试场景(从模拟到验证到静态时序分析)中,相比 Cobalt 100 的性能提升了 1.30倍至4.15倍。

传统上,EDA 工作负载运行在固定配置的本地部署 x86 服务器上,根据峰值需求进行配置,但存在利用率低的时期。向 Microsoft Azure 迁移基于云的 EDA 解决方案,为计算密集型芯片设计工作负载提供了新的灵活性、可扩展性和可靠性。通过使用 Azure Cobalt 基础虚拟机(VM)实例,微软的芯片工程团队在 EDA 工作负载上实现了显著的性能和效率提升,这种提升也体现在 Azure 客户在多种工作负载中看到的设计复杂性提升。

在本博客中,我们展示了 Cadence Xcelium 和 Cadence Spectre、Synopsys PrimeTime 和 Synopsys VCS,以及 Siemens Calibre 工具的测试结果。在 Cobalt 100 上启用的工具在 Cobalt 200 评估中未作修改,使我们能够专注于性能测试而非功能验证。

为什么 Cobalt 200 适合 EDA

EDA 涵盖了计算需求差异显著的工作负载:

  • 电路与模拟仿真 —— 优化高度并行工作负载,对内存行为敏感。
  • 功能与形式验证 —— 以吞吐量为导向,大量独立任务并发运行。
  • 实现与签核 —— 内存密集且对带宽敏感,任务运行时间长。

对于计算机辅助设计(CAD)经理而言,每个核心的可预测性能对规划夜间回归测试至关重要。在轻负载 VM 上测得的每核性能随着并发性增加未必保持一致。验证农场在 VM 高负载时需要可预测的吞吐量。

Cobalt 200 通过无超线程开销的物理核心、每个核心配备专用的 3MB L2 缓存,以及高带宽内存配置,支持并发工作负载。这些核心与内存架构特性在高利用率下仍能保持强劲的每核性能。

我们测量的内容

我们使用来自微软硅芯片开发流程多个阶段的工作负载对Cobalt 200进行了测试,包括RTL和门级仿真、静态时序分析、物理验证和模拟仿真,将作业完成时间与Cobalt 100和部分x86 Azure虚拟机进行了对比。

所有测试虚拟机均配置了最大可能的核心数量以实现高吞吐量,多个作业在虚拟机上并行执行以验证高负载条件下的性能表现。吞吐量按逻辑核心归一化计算。对于Cobalt 100、Cobalt 200和hx176rs配置,逻辑核心同时也是物理核心。

综合EDA工作负载结果

| 工作负载 | EDA工具 | 指标 | Cobalt 200结果 | | --- | --- | --- | --- | | 数字仿真 | Cadence Xcelium 1 | 每逻辑核心峰值吞吐量 | 比其他所有测试系统高出40%以上 | | 数字仿真 | Synopsys VCS 1 | 每逻辑核心峰值吞吐量 | 比其他所有测试系统高出40%以上 | | 模拟与混合信号仿真 | Cadence Spectre 2 | 每逻辑核心吞吐量 | 代际提升38%;超过测试的x86 Azure虚拟机 | | 物理验证 | Siemens Calibre 3 DRC | 墙时间/相对性能 | 墙时间降低23%;相对性能为Cobalt 100的1.30倍 | | 静态时序分析 | Synopsys PrimeTime 4 | 每逻辑核心峰值吞吐量 | 达到Cobalt 100的2.0倍;超过测试的x86 Azure虚拟机 |

数字仿真

Cadence Xcelium和Synopsys VCS是用于数字设计仿真验证的工具。RTL仿真在功能验证中处于核心地位,当团队运行大型回归套件时可能消耗大量计算资源。在使用两种仿真器测试RTL工作负载时,负载优化后的Cobalt 200系统在峰值吞吐量方面显著优于上一代产品。对于Xcelium和VCS测试的工作负载,Cobalt 200在每逻辑核心吞吐量方面比我们测试的其他任何系统高出至少40%。

吞吐量按逻辑核心归一化计算以考虑虚拟机不同的核心数量。

通过增加缓存容量和提升每核心内存带宽,Cobalt 200针对EDA工作负载进行了优化。我们的测试结果表明,Cobalt 200的设计优化显著提升了逻辑仿真工作负载的性能表现。

图1:条形图比较Cadence Xcelium RTL仿真吞吐量,归一化到Azure Cobalt 100。Azure Cobalt 200实现4.15倍吞吐量,相比x86-A的2.89倍和x86-B的1.67倍,吞吐量至少比x86-A高出40%。图2:条形图比较Synopsys VCS RTL仿真吞吐量,归一化到Azure Cobalt 100。Azure Cobalt 200实现2.58倍吞吐量,相比x86-A的1.84倍和x86-B的1.32倍,吞吐量至少比x86-A高出40%。

_图1和图2:Cadence Xcelium RTL和Synopsys VCS仿真吞吐量,基于内部真实仿真测试案例,归一化为每逻辑核心每小时任务数;Cobalt 100 = 1.0。_

模拟与混合信号仿真

Cadence Spectre 用于模拟和混合信号电路仿真。模拟和混合信号电路仿真工作负载与 RTL 仿真不同,主要由多线程性能主导。我们在 Cobalt 200 上测试了 Cadence Spectre,观察到 每逻辑核心吞吐量较上一代提升 38%,与所有其他测试平台相比,每逻辑核心吞吐量提高了 11-52%。

Image 3: 柱状图比较 Cadence Spectre 模拟吞吐量,以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 1.38 倍吞吐量,相比 x86-A 的 1.24 倍和 x86-B 的 0.91 倍,四组配置中吞吐量最高。
Image 3: 柱状图比较 Cadence Spectre 模拟吞吐量,以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 1.38 倍吞吐量,相比 x86-A 的 1.24 倍和 x86-B 的 0.91 倍,四组配置中吞吐量最高。

_图3。内部测试案例的 Cadence Spectre 模拟吞吐量,按每逻辑核心每小时任务数标准化;Cobalt 100 = 1.0。_

这一结果表明 Cobalt 代际之间取得了显著进展。

物理验证

Siemens Calibre DRC 在流片前检查设计的物理布局是否符合制造设计规则。

在 Calibre 工作负载测试中,我们以每任务 16 核运行 DRC 检查,Cobalt 200 的墙钟时间比 Cobalt 100 缩短约 23%,相对性能达到 1.30 倍。在相同每任务核心数下,其性能也优于所选 x86 Azure 虚拟机。

Image 4: 柱状图比较 Siemens Calibre DRC 性能(使用 16 核),以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 1.30 倍性能,相比 x86-A 的 0.86 倍和 x86-B 的 1.08 倍,四组配置中性能最高。
Image 4: 柱状图比较 Siemens Calibre DRC 性能(使用 16 核),以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 1.30 倍性能,相比 x86-A 的 0.86 倍和 x86-B 的 1.08 倍,四组配置中性能最高。

_图4。使用 16 核每任务的 Siemens Calibre DRC 性能测试结果。相对性能计算方式为 Cobalt 100 的平均总墙钟时间除以各平台的平均总墙钟时间;Cobalt 100 = 1.0。_

Synopsys PrimeTime 静态时序分析

Synopsys PrimeTime 用于静态时序分析,以验证设计是否满足时序要求。在使用 16 核每任务的 PrimeTime 工作负载测试中,Cobalt 200 的每逻辑核心峰值吞吐量达到 Cobalt 100 的 2 倍,并超越所选 x86 Azure 虚拟机。图5比较了各虚拟机平台的最高吞吐量测量值,以 Cobalt 100 为基准。

Image 5: 柱状图比较 Synopsys PrimeTime 静态时序吞吐量,以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 2.03 倍吞吐量,相比 x86-A 的 1.45 倍和 x86-B 的 1.21 倍,四组配置中吞吐量最高。
Image 5: 柱状图比较 Synopsys PrimeTime 静态时序吞吐量,以 Azure Cobalt 100 为基准。Azure Cobalt 200 实现 2.03 倍吞吐量,相比 x86-A 的 1.45 倍和 x86-B 的 1.21 倍,四组配置中吞吐量最高。

_图5。内部测试案例的 Synopsys PrimeTime 峰值任务吞吐量,使用 16 核每任务并以每逻辑核心每小时任务数标准化;Cobalt 100 = 1.0。_

不仅仅是 SoC:Cobalt 200 的平台级优势

高性能计算 SoC 的价值只有在平台其他部分的性能同步提升时才能充分发挥。EDA 工作负载依赖高带宽和低延迟的存储与数据传输,且在芯片开发周期中需求波动显著。在关键节点前验证活动可能激增,而物理验证和签核工作则在流片前逐步增加。一旦完成这些里程碑,需求可能骤降。

在 Azure 上运行时,Cobalt 200 计算能力可结合以下优势:

  • 弹性算力:为回归测试活动或签核冲刺动态分配计算资源,在需求下降时及时释放。按工作负载需求配置,而非按年度峰值配置。
  • 高性能存储:支持大型设计数据库、波形转储和物理验证运行的数据需求。
  • 全球算力分布:部署与工程团队所在地、数据驻留要求和区域可用性保持一致。
  • 与 Azure AI 服务的邻近性:随着智能代理和 AI 辅助设计流程的发展,AI 推理服务与 Cobalt 200 计算之间的紧密耦合,为 AI 推理与 EDA 执行的深度整合创造机会。这 降低了 数据传输开销,加速迭代设计与验证周期,并使 AI 代理能更高效地协调复杂工程流程。

微软是 Cadence 的关键合作伙伴,我们与 Cobalt 的合作贯穿了多代 Azure 芯片。随着 Cadence EDA 流程现已在 Cobalt 200 上获得认证,我们正将这一合作扩展至最新一代 Azure 基础设施,为半导体团队在访问和扩展计算资源以应对严苛设计与验证工作负载时提供更大灵活性。

—Cadence 系统验证集团高级副总裁兼总经理 Paul Cunningham

随着半导体设计日益复杂,工程团队在加速芯片开发的同时面临日益增长的计算需求压力。在 Microsoft Azure Cobalt 200 上运行 Siemens EDA 解决方案,为严苛的验证和签核工作负载提供了高效且可扩展的平台。我们与微软的合作证明了将合适的工作负载匹配到最佳计算架构对于推动芯片创新的价值。

—Siemens EDA 云解决方案副总裁 Craig Johnson

我们与微软的长期合作伙伴关系建立在共同致力于帮助工程团队应对日益复杂的设计挑战的基础之上。我们祝贺微软 Cobalt 200 出色的性能表现,该芯片是通过 Synopsys 覆盖验证、实现和签核的完整 EDA 流程,结合 HAPS 硬件原型和 Synopsys IP 开发而成。我们期待看到 Cobalt 200 在每一代产品中持续带来显著的性能提升,包括与 Synopsys VCS 配合实现超过 40% 的运行速度提升,以及与 Synopsys PrimeTime 配合实现每核吞吐量翻倍。我们期待继续与微软合作,帮助工程团队推进下一代 AI 芯片的发展。

—Synopsys EDA 产品管理与战略高级副总裁 Sanjay Bali

借助 Cobalt 200 设计下一代 Cobalt

硅开发与EDA性能之间存在良性循环:EDA工具帮助实现了Cobalt 200,而如今Cobalt 200正在加速相同的设计和验证工作负载,用于我们的下一代Cobalt产品。通过观察EDA工作负载在规模上的表现,我们获得的洞察有助于塑造未来Cobalt和Azure计算基础设施的发展方向,每一代产品都在推动下一代的设计与改进。

接下来的发展

我们早期的测试显示,Cobalt 200在EDA方面取得了显著进展。现有的基于Arm的工具无需调整工作流程即可运行,测试的工作负载在性能上与选定的x86 Azure虚拟机具有竞争力。Xcelium和PrimeTime在Cobalt 100基础上表现出特别显著的提升。在Cobalt 100上表现优异的Spectre和Calibre也实现了代际性能提升,我们正与EDA合作伙伴共同对多款工具进行进一步优化。

随着Cobalt 200进入全面上市阶段,我们将扩大工作负载覆盖范围,以更大规模验证结果,并持续与EDA合作伙伴协作。

如果您正在评估半导体设计的云基础设施,我们邀请您在Azure Cobalt 200虚拟机上测试您的EDA工作流程。

  • * *
  1. Cadence Xcelium和Synopsys VCS的结果使用内部RTL仿真测试用例,并发运行。吞吐量根据测试并发度下的平均完整作业墙时间计算。每个平台的最高吞吐量以Cobalt 100为基准进行归一化处理。为考虑不同虚拟机核心数量,吞吐量以每小时每逻辑核心的作业数进行归一化处理。
  1. Cadence Spectre的结果使用内部模拟仿真测试用例,每个作业使用mt=16并发运行。为考虑不同虚拟机核心数量,峰值吞吐量以每小时每逻辑核心的作业数进行归一化处理。38%的数值表示针对评估工作负载,从Cobalt 100到Cobalt 200代际间测得的吞吐量提升。
  1. Siemens Calibre DRC的结果使用内部IP宏测试用例,在安静虚拟机上使用mt=16运行。相对性能通过Cobalt 100平均总墙时间除以每个平台平均总墙时间计算得出。
  1. Synopsys PrimeTime的结果使用内部静态时序测试用例,每个作业使用16个核心并发运行。吞吐量根据测试并发度下的平均完整作业墙时间计算。每个平台的最高逻辑核心吞吐量以Cobalt 100为基准进行归一化处理。为考虑不同虚拟机核心数量,吞吐量以每小时每逻辑核心的作业数进行归一化处理。
  1. 结果来自微软内部测试用例,仅适用于评估工作负载、软件版本、虚拟机配置、并发级别和测试条件。测试虚拟机包括Cobalt 100(96核)、Cobalt 200(128核)、hx176rs(176核)和e160adsv7(160个逻辑核心,启用超线程)。