是时候放弃ICC了

Cadence ICC II AI布局:芯片物理设计中的智能优化与工程实践 在芯片物理设计中,布局(Placement)是决定芯片性能、功耗和可制造性的关键环节。其核心原理是在满足时序、功耗、面积和布线等多重约束下,将数以亿计的标准单元和宏模块合理放置在芯片核心区域内。传统布局算法依赖工程师经验与手动迭代,易陷入局部最优且效率低下。随着人工智能技术的发展,机器学习模型被引入布局流程,通过预测时序违例、拥塞热点和功耗分布,实现前瞻性全局优化,显著提升设计收敛效率与结果质量。这一技术价值在于将芯片布局从依赖手工的“手艺”转变为数据驱动的“科学”,广泛应用于高性能计算、移动通信和物联网等 阅读详情

有不少资深人士建议初学者先学ICC,再学ICC2。我很不认同。下面我就稍微解释一下为什么应该跳过ICC,直接从ICC2开始学。

ICC2不应该被理解为ICC的升级版,而是应该理解为一个全新的工具。无论从底层框架结构,还是数据模型,亦或是变量的命名方式,都是全新的。与ICC没有任何的继承性。如果说有继承性的话,可以看到命令似乎有某种联系,图形界面中的某些元素还有所保留。

由于用户强大的使用惯性,尽管ICC早已盛传不在提供支持,当时从官网上可以看到,ICC的版本仍然在更新中。

这也不奇怪,因为当年新思准备用ICC替代astro的时候,很多的资深工程师都抱怨,ICC没有astro好用。如果你不了解astro,你可以用用Milkyway。astro和Milkyway非常像。但是现在你见到过谁在用astro吗?

同样道理。ICC就相当于当初的astro。

现在像入门数字后端,如果听从前辈建议而学ICC的话,说不好听点,相当于1949年加入国民党。

1

我这里不讲ICC2的优势和劣势,避免做广告之嫌,我们只是从趋势的角度来看。

ICC实际上代表了一种思维,就是在既有的基础上不断优化。这种方式的优势就是稳定,风险小。在性能上不会有重大的倒退。缺点也是显而易见,由于基础架构时间较早,但是随着设计规模的增大,scenario的增加,工艺模型越来越复杂,drc rule越来越复杂,这种架构会越来越难以适应,改进的空间越来越有限。

而ICCII代表的另外一种思维。那就是推到重来,将老旧的基础用一种全新的基础架构来替代,然后再新的基础上进行完善。这种方式的优势是可以走的更长远。因为新的架构也是基于原来经验的总结以及对未来的预判基础上,对未来的需求也做了充分的考虑。缺点风险大,尤其在初期,软件相对于上一代软件ICC,稳定性以及PPA可能都比不上。另外还有用户的学习成本。

2

如果我们现在倒退6年,也就是2014年,当时icc2量产版刚刚推出。如果这时候问要不要学ICC2,我建议再等等。这是考虑到一个全新的,非常复杂的软件,在初期必然会有大量的问题。而这些问题是需要用户,foundary,EDA公司之间不断的磨合。如果这时候学ICCII,确实有当小白鼠之嫌。

而现在,2020年,距离ICCII量产版推出已经过去6年了。ICCII已经经过了6年的不断迭代更新,相对于ICC的优势越来越明显了。速度,PPA,对新工艺的支持,都有非常大的优势。而这时候,为什么还要从ICC来入门呢?

3

是时候放弃ICC了,他属于历史。而ICCII, 则是现在和未来。

按照类似的思考方式,对于新思推出的Fusion Compiler,目前不建议用。同样是基于不建议当小白鼠的理由。而且,Fusion Compiler中的PR部分,其实完全就是ICCII,脚本完全兼容。数据模型用的也是ndm,与ICCII相同。因此,熟悉ICCII的话,切换到Fusion将非常容易。

对于目前流行的Innovus,我认为它仍是基于前文提到的第一种思维方式。从长远来看,我仍然比较看好ICCII。

innovus/virtuoso/ICC2 三大工具的工艺文件有什么区别? 对比维度格式类型SKILL 脚本(文本)Tech LEF(文本)+ Milkyway(二进制)工具操作方式可通过 SKILL 动态修改需编译 Milkyway 库,静态加载核心关注内容版图可视化、器件模型关联金属堆叠、布线规则、时序 / 功耗参数适用设计类型全定制 / 混合信号设计数字电路自动化设计可视化支持强(定义层颜色、线型)弱(仅工具内部显示,无需用户定义)工艺节点适配。 阅读详情

相关推荐

BurpSuite实战:5分钟搞定Pikachu靶场表单爆破(附最新字典配置技巧)

本文通过Pikachu靶场实战,详细演示了如何使用BurpSuite的Intruder模块对Web登录表单进行暴力破解。从代理配置、请求捕获、集束炸弹模式设置,到载荷配置与结果分析,提供了完整的操作流程。文中还分享了2024年有效的字典获取与优化技巧,帮助安全测试人员快速定位弱口令漏洞。

weixin_29327977的博客 600

ICC/ICC2 or INN 一点不成熟的浅见

笔者作为ICC/ICC2的深度用户(deep user),在过去的大部分时间都在把玩S家APR工具里的各种相关命令、配置和GUI操作种种。最近几年也有了机会使用了C家强大的ARP工具:innovus,感触颇多。人嘛,终归是感情的动物,一个新欢一个旧爱,怎么取舍,又怎么平衡,着实让笔者犯了难。不如写下浅薄的见解,让各位读者帮忙一起帮忙斟酌斟酌。(评论不周之处,还望S家/C家的金主们海涵~~) ICC的概貌 S家ICC诞生与上世纪末的,在IC后端设计的历史上是战功显赫的一代名将!大家都知道,S家是在上世纪90

i_chip_backend的博客 1万+

FPGA数字下变频实战:用Vivado DDS IP核实现IQ采样与频率校正(附MATLAB仿真对比)

本文提供了一份基于Vivado DDS IP核实现FPGA数字下变频(DDC)的完整工程指南。详细阐述了IQ采样的原理、DDC链路构建、DDS频率校正的工程实现,并重点介绍了如何利用MATLAB搭建黄金参考模型进行全链路仿真与对比验证,分享了关键的调试技巧与性能优化建议。

t1u2v的博客 810

Innovus+ICC2对比7nm工艺的后端实现

在输入数据的准备方面,Innovus优势比较明显,lef+liberty足够简单,不像ICC2需要db+lef/gds生成ndm。优化后的color改变会导致与之相连的VIA出现大量的color spacing,目前没有找到比较好的办法,最好是lef里面没有FIX MASK的设置,如果没有可以通过工具命令重置该cell的mask shift的值。平心而论,两个工具剩下的DRC数量都不多,而且preroute相关的DRC数量较多,base DRC也有不同程度的剩余,都需要增加一些特定的设置才能比较好地收敛。

weixin_67849344的博客 6252

李沐之数值稳定性+模型初始化和激活函数

层记为t,这里的y不是预测,还包括了损失函数,y是优化函数,不是预测的结果y。第t层是输出。所有的h都是一些向量,向量关于向量的导数是一个矩阵,所以用了很多次的矩阵乘法,出问题就在这里。

m0_51133942的博客 1527

STM32CubeMX之emWin移植

“前面两章介绍了SDRAM和LTDC的使用,本篇文章将介绍emWin移植到STM32。”硬件环境:STM32F429IGT6软件环境:STM32CubeMX v5.5.0...

zhang062061的专栏 2826

IC Compiler II(ICC II)后端设计流程

转载来源:IC Compiler II(ICC II)后端设计流程——超详细

qq_36480087的博客 3051

RK3568 OpenHarmony3.2 蓝牙模块AP6275S适配(已更新)

OpenHarmony3.2 Release版默认是适配AP6275s这款蓝牙芯片的,但是打开蓝牙,发现无法扫描到设备、连接设备。目前平台soc为RK3568,根据项目要求,自定义外设。接下来将以解决bug为目的,学习和记录OpenHarmony平台下蓝牙模块的适配流程。RK809 CLK:32.768KHzUART1M1:与蓝牙模块通讯的串口:GPIO4_B6:GPIO4_A5WAKE_GPIO:未定义,硬件拉高1.8V: 未定义,悬空主要是打开串口,/dev/ttyS1,得到文件描述符fd。

Martian_Jonas的博客 2245

ICC2/innovus fix transition思路和实例

基于icc2和innovus工具,讲解fix transition的方法和实例

weixin_44430276的博客 4337

Adams Car——Adams car与Simulink联合仿真

Adams与simulink悬架联合仿真

Mr.邹的博客 2125

两万字硬核指南!Python爬虫requests库从入门到精通:新手也能搞定所有爬取场景(附实战案例+避坑大全)

请求头是客户端发送给服务器的额外信息,比如User-Agent(浏览器类型)、Referer(来源页面)、Cookie(登录凭证)、(编码方式)等。Cookie是服务器存储在客户端的小型文本文件,包含用户的登录凭证、偏好设置等信息。浏览器会在每次请求时自动携带Cookie,服务器通过Cookie识别用户身份。代理IP是一个中间服务器,你的请求先发送到代理IP,再由代理IP发送到目标网站,目标网站只能看到代理IP的地址,看不到你的真实IP。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1496

放弃谷歌实习转投ICC,我是如何曲线上岸G家的?

我们经常可以在各大论坛或社区看到某某某靠刷题上岸谷歌的例子。在广大求职者的印象里,谷歌似乎是少有的只看刷题的大厂。 很多人对这种单纯刷题的行为嗤之以鼻,也有人为了上岸孜孜不倦地埋头刷题。老程是我知道的一位大龄转码者,靠刷题1000道上岸了谷歌。 谷歌实习or ICC全职?CPT的我选择后者 老程国内top20本科毕业,留美读了MIS硕...

九章算法的博客 736

《干货满满!AI 应用架构师打造 AI 驱动生产计划的实战技巧》

生产计划是制造企业的“大脑”——它决定了买什么物料、产多少产品、用什么设备、什么时候交货,直接影响企业的成本、效率和客户满意度。需求预测靠经验,误差常超20%;排产依赖Excel,调整一次要3天;供应链协同靠邮件,物料延迟导致停产屡见不鲜。作为AI应用架构师,我们的任务是用AI重新“激活”这个“大脑”——用数据驱动的预测替代经验判断,用智能优化替代人工排产,用实时协同替代被动响应。本文结合3个制造业实战案例5段可运行代码2个数字孪生模型,从架构设计→核心模块实现→落地踩坑。

移动开发前沿的博客 1083

JAVA处理不正确处理图片ICC信息蒙上红色的问题 放弃ImageIO.read()

问题现象: Java上传图片时,对某些图片进行缩放、裁剪或者生成缩略图时会蒙上一层红色,原因乃是ImageIO.read()方法读取图片时可能存在不正确处理图片ICC信息的问题,ICC为JPEG图片格式中的一种头部信息,导致渲染图片前景色时蒙上一层红色。 [java]view plaincopy publicsta...

weixin_33743248的博客 958

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Linux 6.3 不再支持英特尔 ICC 编译器

【优快云 编者按】基于种种原因,Linux 6.3 彻底告别了对英特尔编译器的支持。从真正意义上来说,放弃对 ICC 的支持不会带来任何损失。整理| 王子彧出品 | 优快云(ID:优快云news)3月5日,Linus Torvalds 正式发布了 Linux 6.3 的首个版本,Linux Kernel 6.3-rc1,关闭了合并窗口。之前谈论火热的 Linux 内核拟放弃支持英特尔 IC...

优快云资讯 558

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

放弃 new grad 身份后,我火速上了岸

以往new grad的身份是块宝,实习过的去,GPA也还可以的毕业生被各家HR疯抢。然而今年,毕业生还是那么多,校招岗却寥寥无几。小厂度日艰难,只能裁员、缩招;大厂面试难度一再提高,非尖子生不要!许多春天毕业的,到现在还没找到工作,经常有人问:“我还能以new grad身份面今年秋招岗位吗?”在这里,小编只想说:醒醒吧!死抱new grad身份,恐怕今年就上不了岸了!【仅需10元即可获得】—— &...

九章算法的博客 394

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Design Compiler:布图规划探索(ICC)

本文介绍了Design Compiler中的布图规划探索功能,该功能通过与ICCompiler交互实现物理设计的规划优化。主要内容包括:1)布图规划探索的基本流程;2)启动前的必要设置,包括设计准备、工作目录指定等;3)简化版与完整版菜单的切换使用;4)布图规划的创建与编辑方法;5)修改结果的保存与放弃操作。文章强调布图规划探索需要预先完成设计综合,并详细说明了从启动到退出的完整操作步骤,为IC设计人员提供了实用的物理设计规划指导。

保持终身学习的能力,温故而知新 1604

impeccable:从修辞到工程标准的无瑕疵交付体系

在前端与全栈开发中,‘无瑕疵体验’正从主观描述演进为可验证的工程目标。其核心在于状态完整性、输入通道全覆盖与环境自适应能力,依托状态机驱动、原子化副作用管理及多维完整性检查清单(ICC)实现技术落地。该范式显著提升高可靠性场景下的用户信任度与转化率,广泛适用于金融交易、医疗交互、无障碍访问等对一致性与鲁棒性要求严苛的系统。本文深入解析impeccable作为显性技术标尺的设计逻辑、状态机实现关键细节及灰度验证机制。

weixin_29208077的博客 285

Linux 6.3彻底移除英特尔ICC编译器的支持代码

出品| OSC开源社区(ID:oschina2013)去年我们报道了 Linux 内核拟放弃支持英特尔 ICC 编译器,如今该讨论终于有了结果。在 Linux 6.3 内核合并窗口打开的最后一天,Linus Torvalds 合并了 “删除 Intel ICC 编译器支持” 补丁,从内核中移除了 Intel ICC 编译器的支持代码。Intel 自家已经弃用该编译器,他们正在过渡到基于 LL...

关注微信公众号【开源Linux】,后台回复『10T』,领取10T学习资源大放送,涵盖Linux、虚拟化、容器、云计算、网络、Python、Go等书籍和视频 287

睢宁XX学府 小区物业平台大华ICC漏洞 及 可视对讲室内机网线获取网络

您随机测试进入了多个平台,并在最后一次尝试中,意识到可以反其道行之,不破解密码,而是新添加了一个新的管理员账号,尝试成功,并测试了其权限。您发现室内的可视对讲机可能可以接入物业的平台,并成功猜测默认密码(123456)进入高级设置,查看了设备的IP地址和网关信息。这时我就想试一下,万一是默认密码123456呢,还真是,直接进入平台,然后让更改密码,就相当于我直接拥有了一个账号可用。您尝试了多种方法,学习了各种教程,也尝试利用了平台其余的漏洞,获取到了一些数据信息与文件,但未能成功破解密码。

m0_55905467的博客 2600

Invalid icc profile: duplicate sequence numbers

处理图片时报异常信息:javax.imageio.IIOException: Invalid icc profile: duplicate sequence numbers报异常的图片:网上有人遇到了同样的异常信息,并使用插件解决了问题:http://stackoverflow.com/questions/32023809/javax-imageio-iioexception-invalid-ic

秀才的专栏 5056

Solution for compiling GTgraph software: make[1]: icc: Command not found

我前天在http://www.cse.psu.edu/~madduri/software/GTgraph/上面下载了一个Synthetic Graph Dataset Generator,它的名字叫GTgraph。我当时就在我的Ubuntu系统上面执行make命令,可是总是出现下面错误: make[1]: icc: Command not found make[1]: *** [graph

陈广智的专栏 4872

【IEEE会议】 第三届智能通信与计算国际学术会议(ICC 2023)

会议旨在为从事智能通信与计算研究的专家学者、工程技术人员、技术研发人员提供一个共享科研成果和前沿技术,了解学术发展趋势,拓宽研究思路,加强学术研究和探讨,促进学术成果产业化合作的平台。ICC,作为第二届通讯技术与信息科技国际学术会议(ICCTIT 2022)分论坛之一,由于其影响力和高水准,该会议自2023年起独立举办和出版,目前该会议已进入IEEE官方会议列表。出版,收录进IEEE Xplore数据库,见刊后由期刊社提交至 EI Compendex和Scopus检索。5g移动通信和智能计算通信。

weixin_73242859的博客 1955

ICC II后端物理实现七步法:从netlist到GDSII的工业级流片路径

数字集成电路后端设计中,物理实现是连接RTL与晶圆厂的关键环节,其核心在于时序收敛、功耗可控与制造合规的协同优化。IC Compiler II(ICC II)作为Synopsys Fusion Compiler生态中的主力物理实现引擎,本质是Tcl驱动的状态机,而非图形化操作工具——其行为高度依赖techfile、liberty库、LEF/DEF与工艺PDK的精确咬合。技术价值体现在对clock tree skew控制、congestion-aware placement及signoff级timing分析的

weixin_29184075的博客 287

LightCraft 纯 Rust 编解码层 lightcraft-codecs 深度解析:格式嗅探、线性光解码、ICC 色彩管理与带元数据嵌入的编码器

`lightcraft-codecs` 是 LightCraft(一个用纯 Rust 从零实现的 Lightroom 式摄影工具)的 L1 层标准图像编解码库,覆盖格式嗅探、解码到**线性光**(linear light)、色彩管理、缩略图快速路径,以及可嵌入 ICC/EXIF/XMP 的编码器。它全部由纯 Rust 代码构成、无 C 依赖、可构建到 `wasm32-unknown-unknown

gitblog_00214的博客 74
上一篇: STA-11. 芯片中的偏差和风控机制
下一篇: EDA趋势观察:融合
白山头
博客等级 码龄7年 1109粉丝 104原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值