5.3 SSTA：从最坏角到统计分布

5.3 SSTA：从最坏角到统计分布

本节摘要：统计静态时序分析（SSTA）把延迟与裕量从确定值升级为随机变量：沿路径传播均值与方差，输出 slack 的分布，进而直接估计良率。它的物理主张比角点法更精细，但工业落地受限于相关性建模与表征成本——现实主流是它的折中产物 POCV。本节讲清统计思想、一笔良率算例与三重现实约束。

最初，角点法与统计法并不是前后替代关系，而是同一问题的两种世界观。角点法问："最坏条件下裕量还剩多少？"答案是确定值，安全但悲观——因为"所有参数同时取最坏"这件事本身概率极低。SSTA 问："裕量的分布长什么样？违例概率多大？"它把每个器件与每段连线的延迟表述为随机变量（均值加方差），沿时序图传播统计量，最后对每个端点输出 slack 的概率分布。签核标准从"最坏点干净"变成"违例概率低于目标良率"。

一、统计思想与一笔良率算例

SSTA 的传播规则不复杂：路径延迟的均值等于各弧均值之和；方差在假设独立时等于各弧方差之和（相关部分用相关系数修正）。slack 本身也是随机变量，建立签核要求"slack 大于零的概率不低于良率目标"。用一笔小算例感受量级：

某路径 slack：均值 μ = 60ps，标准差 σ = 15ps（假设正态分布）
良率目标：99.87%（三西格玛准则）→ 要求 μ − 3σ ≥ 0
检验：60 − 3 × 15 = 15ps ≥ 0 → 该路径达标，且还有 15ps 统计余量
反例：若另一路径 μ = 40ps，σ = 15ps → 40 − 45 = −5ps → 违例概率约 0.37%，
      在亿级端点的设计里不可接受，需要修复或放宽其相关性假设
​

这笔算术揭示了统计法与角点法的深刻差别：同样是 40ps 量级的"最坏情况余量"，方差小的路径安全、方差大的路径危险——角点法看不见这个差别，统计法看得见。签核从"每个数字都过线"变成"整体分布可控"，优化资源可以精准投向方差大的路径，这正是 SSTA 在理论上更优雅的原因。

二、三重现实约束：为什么角点法还站在台上

第一重是相关性建模。器件参数的变异包含系统性成分（空间相关的梯度）与随机成分（原子级涨落），两者的比例与相关长度直接决定方差传播的准确性；建不准相关模型，SSTA 的分布就是精致的错误。第二重是表征与流程成本。统计库要对每个单元、每个索引点做蒙特卡洛 SPICE 标定，库体积与表征时间成倍增长；下游所有工具（综合、布局、优化）都要升级为统计感知，生态迁移巨大。第三重是可解释性与责任。角点法的"某某角零违例"是清晰的责任边界，统计法的"违例概率万分之三"需要整个链条（设计、代工、市场）就良率目标达成一致——商业谈判比技术升级更慢。

工业界的落点是折中：POCV（5.2）把统计思想注入角点框架——保留角与场景的体系，只在弧级引入 sigma，报告给出"均值加 N 倍 sigma"的确定性数字。这样既享受局部变异的精细建模，又不推翻既有流程与责任结构。全局意义上的 SSTA 至今停留在特定领域（标准单元高度变异的先进节点局部评估、良率敏感产品的定向分析），没有成为通用签核形态。这段历史值得记住：技术的胜负不完全取决于理论精度，流程惯性、生态成本与责任结构同样是决定性变量。

分布思维对修复策略的改变

统计视角不只改变签核语言，也改变修复的优先级排序。角点法下，修复队列按 slack 绝对值排——最负的先修。统计视角下，队列要按"违例概率 × 端点权重"排：一条均值 20ps、sigma 12ps 的路径，比均值 10ps、sigma 3ps 的路径危险得多，尽管前者的名义 slack 更好看。这解释了实践中一类诡异现象：某些"slack 还行"的路径在硅上偶发出错，事后复盘发现是方差大的路径撞穿了分布尾部。方差从哪里来？逻辑级数深（方差沿路径累加）、器件尺寸小（随机涨落大）、电压工作点低（对阈值波动更敏感）——三条都指向同一类路径。修复手段也随之变化：与其拼命缩短均值，不如先压方差——用更强的单元（对波动不敏感）、减少串联级数、提高工作电压，往往比插一串 buffer 更有效。

三、角点、OCV 与统计的分工现状

SSTA 的思想遗产远比它的商业落地宽广：今天签核报告里的 sigma 栏、良率导向的裕量分配、按统计显著度排序的修复清单，全是统计法的思想在角点框架里的化身。理解它，才能理解第七章签核矩阵里每个数字的"保守度从哪里来、退到哪里去"。

面试与实战的两副面孔

统计时序在面试与实战里的考法不同，两副面孔都备着。面试里考思想：为什么角点法悲观？因为它假设所有参数同时取最坏，而参数间相关性不足时这个假设概率极低；σ 与 guardband 的关系是什么？N 西格玛准则下 guardband 取 N 倍标准差；相关性如何影响方差合成？正相关的参数放大路径方差，负相关抵消。实战里考落地：你们项目的 POCV 的 sigma 从哪来（库的 LVF 段）、N 取几（政策定，常见 3）、CRPR 在统计口径下怎么处理（公共段的相关性处理）。两副面孔共享同一个内核：裕量是分布的函数，不是常数——抓住这句，考什么都有的说。

本节要点回顾

• SSTA 的主张：延迟与 slack 是随机变量，签核标准是违例概率而非最坏点，优化投向方差大的路径。
• 良率算例的启示：均值 40ps、sigma 15ps 的路径比均值 60ps、sigma 15ps 的路径危险——分布的宽度与中心同等重要。
• 三重现实约束：相关性建模、表征与生态成本、责任可解释性，让角点法保持通用签核地位。
• POCV 是现实主流：统计思想嵌入角点框架，弧级 sigma 加确定性输出，兼得两者之长。
• 思想遗产长存：统计显著度排序修复、良率导向裕量，都是统计法在角点体系内的化身。

至此，"换个角还成立吗"一站完整收官：角点定条件、OCV 计片内保守、统计法定良率语言。下一站进入问题链的第五站——违例确认之后，物理与逻辑各用什么药。