有机会驾驶高性能汽车的人都深知，仅靠马力大小并不能说明全部问题。电动汽车（EV）或许能够提供瞬时扭矩和出色的加速性能，V12 发动机则以强劲动力和独特驾驶特性著称，但如果系统其他部分成为瓶颈，两者都无法充分发挥潜能。电池容量、散热管理、传动效率和动力传递都会影响实际性能。此时，瓶颈便从发动机本身——也就是马力大小——转移到了支撑发动机运行的各个系统。

AI 和数据中心系统通常集成了 CPU、GPU 和 NPU 等多种计算引擎；它们与内存及各类子系统互连，推动软件工作负载、内存容量和接口复杂度以前所未有的速度增长。因此，验证团队面临在硅前完成整个软硬件系统验证的挑战，而内存子系统正日益成为这一挑战的核心。

复杂的内存设计可能包含数十 GB 的 HBM、容量超过 128 GB 的 LPDDR，以及 TB 级的 NAND 存储。虽然硬件仿真平台（Emulation Platform）能够提供对这些系统进行建模所需的计算能力，但内存容量和带宽往往会成为限制因素。随着内存需求不断增长，高效的内存建模与访问成为保持验证吞吐量的关键。

只有更快的引擎，却没有合适的传动系统将动力传递到车轮，并不能让你赢得比赛！

美光科技的 Herman Cheung 表示：“所谓‘内存墙’问题，是指计算层运行速度过快，而内存层无法跟上，导致整个系统停滞。”

美光如何通过内存模型优化将硬件辅助验证性能提升 3 倍

美光基于 NAND 闪存设计创建了模型，其总线功能模型（BFM）采用美光的专有技术与架构，用于支持内存协议和内存接口。该架构的关键组成部分是新思科技 ZeBu Memory Transactor，它将硬件模型连接到主机内存，帮助团队在开发早期分析、验证并优化内存行为。

在 BFM 与 Memory Transactor 之间，数据流状态机用于确保数据传输过程不会发生阻塞（见图 1）。

▲图 1：NAND 使用模型

美光利用该模型，在新思科技 ZeBu Server 上进行仿真时探索内存模型优化方法。通过减少不必要的数据移动、调整缓存行为，并优化内存资源的实现方式，团队提升了整体仿真吞吐量。

策略 1：消除不必要的数据移动

美光团队通过尽量减少 Emulator 与主机之间的通信来提升性能，因为这类通信是运行时开销的主要来源。关键优化措施包括：将高频访问资源保留在硬件侧；将多次传输批量合并为更大的事务处理；使用后门访问加速数据加载；以及针对不同工作负载类型调整缓存策略。通过减少不必要的数据移动并提高内存访问效率，团队显著提升了整体仿真吞吐量。

策略 2：通过并行处理和流水线提升吞吐量

该理念通过优化时序行为和提高并行度来改善性能。关键技术包括：使用时钟计数器替代对仿真器不友好的延时；使用使能信号取代不必要的时钟门控；在非关键路径上采用周期精确接口；对内存操作进行流水线处理；以及在空闲周期调度数据传输。这些优化措施减少了停顿、提高了并发度，使仿真器保持更高效地运行。

策略 3：性能剖析、持续调优，并聚焦真正影响运行时间的因素

团队利用性能剖析和性能指标来识别瓶颈、分析关键内存时序路径，并优化不同工作负载下的队列深度和缓存设置。通过持续监测仿真频率和有效运行时间，团队得以聚焦于能够带来最大性能收益的改动，避免把时间花在影响有限的优化上。

真正重要的成果

性能剖析帮助团队专注于能够带来可量化收益的优化上。不过，并非每种方法都能产生实质性收益。美光评估了稀疏内存扩展方案，但它并未显著改善运行时间，这表明硬件内存占用并非主要性能瓶颈。相比之下，数据移动、时序行为、缓存调优和关键路径优化带来的影响要大得多。

美光科技的 Herman Cheung 表示：“应用稀疏内存优化并没有在运行性能上带来太大收益……硬件资源并不是真正的限制因素。”

尽管不同工作负载下的结果有所差异，但美光证明，有针对性的内存模型优化可使仿真性能提升 3 倍以上（见表 1）。

▲表 1：仿真性能提升 3 倍以上

该项目也反映出更广泛的行业趋势：随着 AI 和软件定义系统不断增加验证复杂度，硬件仿真正成为验证整个软硬件系统不可或缺的手段。通过结合优化的内存模型与接口解决方案——这些都是新思科技 ZeBu 硬件仿真中的软件定义的解决方案——团队能够加速软件启动，提高系统验证效率，并降低首次流片风险。

正如 V12 跑车或高性能电动汽车一样，最快的系统未必是动力最强的系统，而是能够让整个系统高效协同发挥性能的系统。