過去十幾年，在以消費電子產品為代表的智能化浪潮推動下，半導體產業取得了長足的進步，EDA工具也經歷了發展史上最為繁榮的階段。作為芯片設計生產的必備工具，EDA用不到百億美金的市場規模，支撐起了幾千億美金集成電路產業的欣欣向榮。

人工智能（AI）、機器學習（ML）成為電子科技深刻變革的主要推動力，它們正在進行更深層次的滲透，從方方面面影響我們的生活。半導體和電子產品繼續主導現代生活的同時，AI與ML也在改變背后的設計體系，使其不斷推陳出新，成為所有創新的源頭活水。

AI、ML使芯片設計生產力產生質的飛躍

AI、ML與EDA方法學的融合是革命性的一步。

近來，兩大EDA巨頭Cadence（楷登電子）和Synopsys（新思科技）在這方面都有動作，使芯片設計生產力有了質的飛躍。

Cadence發布了基于機器學習引擎的更新版數字全流程工具，同時基于其研發的iSpatial技術，支持全流程集成。這一新版數字全流程采用了支持ML功能的統一布局布線和物理優化引擎等多項技術，吞吐量最高提升3倍，PPA最高提升20%。據了解，這一采用統一的布線和物理優化引擎，已經完成數百次從16nm到5nm及更小工藝節點的成功投片，被證明能夠進一步優化功耗、性能和面積，廣泛應用于汽車、移動、網絡、高性能計算和AI等各個領域。


全新Cadence數字全流程的實現包括如下關鍵技術：

• Cadence數字全流程iSpatial技術：iSpatial技術將Innovus設計實現系統的GigaPlace布線引擎和GigaOpt優化器集成到Genus綜合解決方案，支持布線層分配，有效時鐘偏移和通孔支柱等特性。用戶可以使用統一的用戶界面和數據庫完成從Genus物理綜合到Innovus設計實現的無縫銜接。
• ML功能：用戶可用現有設計訓練iSpatial優化技術，實現傳統布局布線流程設計裕度的最小化。
• 優化簽核收斂：數字全流程采用統一的設計實現、時序簽核及電壓降簽核引擎，通過所有物理、時序和可靠性目標設計的同時收斂來增強簽核性能，幫助客戶降低設計裕度，減少迭代。

Cadence這一全新發布的重大意義在于：它實現了數字全流程基于機器學習引擎，包括Innovus設計實現系統、Genus綜合解決方案、Tempus時序簽核解決方案和Voltus IC電源完整性解決方案，覆蓋數字設計前端、后端、綜合、電源完整性、signoff等。與傳統EDA工具使用的設計方法學引擎相比，新版數字全流程通過iSpatial技術、ML等進行了全面優化，從而提升了設計效率和質量，獲得3倍的吞吐量提升。

新思科技推出了自主人工智能應用程序——DSO.ai(Design Space Optimization AI)，DSO.ai能夠在芯片設計的巨大求解空間里搜索優化目標。通過對芯片設計流程選項的探索，能夠自主執行次要決策，而芯片設計工程師可以進行更高階的操作，從而提升整體的生產力。

DSO.ai采用機器學習技術來執行大規模搜索任務，能夠自主運行成千上萬的探索矢量，并實時獲取千兆字節的高速設計分析數據。DSO.ai引擎通過獲取由芯片設計工具生成的大數據流，并用它來探索搜索空間、觀察設計隨時間的演變情況，同時調整設計選擇、技術參數和工作流程，以指導探索過程向多維優化的目標發展。同時，DSO.ai可以自主執行如調整工具設置等次要決策，為開發者減負。

EDA從自動化走向智能化

Cadence全球 AI 研發中心高級 AI 研發總監丁渭濱曾公開分享過Cadence在機器學習領域的定位，分別從 Inside 和 Outside 兩方面，他指出：Inside 注重于工具本身，力圖讓工具更智能，使得用戶獲得更好的PPA和更快的引擎，從而提升測試和診斷性能表現；Outside 則注重于人，讓機器通過學習的方式積累經驗，減少人工干預，極大地釋放生產力。這也正是EDA工具方角度對于AI能力的詮釋：利用 AI 做更智能的芯片設計工具，同時實現以更少的人力、資源、時間投入來設計芯片。


新思科技人工智能實驗室主任廖仁億曾表示，EDA未來的終極形式就是AI。在繼續提升其設計工具的產品性能時，AI 技術是最重要的力量之一。

新思方面認為，芯片設計是一個蘊藏更多潛在可優化方案的巨大求解空間。在如此巨大的空間進行搜索是一項非常費力的工作，在現有經驗和系統知識的指導下仍需要數周的實驗時間。此外，芯片設計流程往往會消耗并生成數TB的高維數據，這些數據通常在眾多單獨優化的孤島上進行區分和分段。為了創建最佳設計方案，開發者必須獲取大量的高速數據，并在分析不全面的情況下，即時做出極具挑戰的決策，這通常會導致決策疲勞和過度的設計約束。特別是在當今競爭異常激烈的市場和嚴格的芯片制造要求下，合格方案和最佳方案之間的差異可能意味著數百MHz性能、數小時電池壽命以及數百萬美元設計成本的差距。

通過大規模擴展設計工作流程，DSO.ai讓用戶能夠洞悉難以探索的設計、工藝和技術解決方案空間，幫助芯片設計團隊在預算和進度內，將更好性能和更高能效的差異化產品推向市場。

目前看來，市場對于顛覆性的EDA方法學充滿了期待。

MediaTek計算和人工智能技術事業部總經理Dr. SA Hwang認為，通過Cadence的Innovus設計實現系統GigaOpt優化器工具新增的機器學習能力，得以快速完成CPU核心的自動訓練，提高最大頻率，并將時序總負余量降低80%。簽核設計收斂的總周轉時間可以縮短2倍。

三星電子代工設計平臺開發執行副總裁Jaehong Park對兩家公司新技術的應用情況分別給出了評價。他認為Cadence的iSpatial技術可以精確預測完整布局對PPA的優化幅度，實現了RTL、設計約束和布局布線的快速迭代，使總功耗減少了6%，且設計周轉時間加快了3倍。同時，機器學習能力讓三星Foundry 的4nm EUV節點訓練設計模型上，實現了5%的額外性能提升和5%的漏電功率減少。

而對于Synopsys的DSO.ai，他表示原本需要多位設計專家耗時一個多月才可完成的設計，采用DSO.ai只要短短3天即可完成。這種AI驅動的設計方法將使三星的用戶能夠在芯片設計中充分利用其先進技術的優勢。

EDA方法學為什么會被AI、ML顛覆？

作為一門AI科學，ML適用于在經驗學習中改善具體算法的性能，它能夠根據數據以及以往經驗，來優化程序的性能標準。在經過大量的訓練之后，能夠進行自我決策。對于芯片設計工程師來說，每天有大量工作都涉及決策。二者天然存在交匯點。引入ML后，EDA工具變得更加智能，能夠以更快的時間提供更優的解決方案。

Cadence的丁渭濱曾以IC設計中的布線為例談到，這個關鍵的步驟需要長時間運算才能得到最終結果。隨著從7nm到5nm再到 3nm，運行的時間不止是線性增長的問題，伴隨而來的還有：前端布線之前做了很多優化，布線之后看到的東西卻截然不同。

如何解決這個問題？可能有多種策略：有人會在布線前多留一些裕量，保證后面的跳變少一些，芯片性能也能保證。這樣理論上固然可以，但是會浪費資源。另外還有一些策略是局部進行調整，但通常像亂槍打鳥，效率低下。丁渭濱說，像布線這種由幾百個甚至更多特征來決定的復雜工作，非常適合引入ML來解決問題。

Synopsys也希望通過最新的DSO.ai充分利用最有價值的資源，釋放工程設計創造力。使開發者能夠從費時的手動操作中解放出來，新員工也能快速上手且達到經驗豐富的專家水平，此外設計和制造的總體成本也被降至最低。

EDA擁抱AI、ML成為必然趨勢。

隨著AI、ML向各個行業的滲透，下游的場景需求倒推給上游，這意味著芯片的設計也要符合場景需求。

還有一個顯著的變化是，越來越多的系統廠商開始涉足芯片設計，他們更多是受應用驅動的思路，這對于EDA工具也是新的挑戰。一直以來，EDA廠商與晶圓廠保持著緊密的合作，便于根據先進工藝進行迭代演進，但現在，他們還需要打破傳統，協助產業鏈客戶達成及時上市時間、復雜設計、驗證及模擬流程，滿足市場對產品功能與功耗的要求，以及更為先進的半導體工藝和封裝要求。

工程師該為融入AI、ML的EDA工具感到顫抖嗎？

設計芯片是一件非常復雜的事情，需要整個設計團隊的通力合作，需要每位工程師貢獻出自己的經驗，進行不斷的修正，才能提升芯片PPA。

由于這種經驗分散在每個人的大腦中，在實際項目中不論是發現問題還是解決問題，效率提升都是有限的。但是，將ML融入EDA方法學中，機器就可以看到和累積所有人的經驗，通過不斷地學習變得越來越穩定，逐漸擺脫對人的經驗的依賴。丁渭濱指出，如果到了這個階段，芯片設計就走向了一個新高度，一個嶄新的天地。

美國國防部高級研究計劃局（DARPA）的電子資產智能設計（IDEA）項目，是 DARPA 電子復興計劃（ERI）六個新項目之一，旨在利用先進的機器學習技術為片上系統（SoC）、系統封裝（SiP）和印刷電路板（PCB）打造統一平臺，開發完整集成的智能設計流程，從而實現更加自動化的電子設計能力。Cadence通過篩選參與到了這一項目中，并獲得了最大一筆項目撥款。

無人芯片設計，毫無疑問是一種更為快速且經濟高效地生成新型芯片設計的方法。在通往這一終極目標的道路上，數字全流程的實現具有里程碑意義。但即便如此，芯片設計對于人的經驗的仰賴短期內無法通過機器實現，特別是在模擬設計領域。也正是如此，使其成為了DARPA的攻關重點之一。Cadence在模擬設計領域的絕對領先地位，以及使用ML進行芯片設計的創新方向與DARPA相契合，應該是其入圍的主要原因。

就像所有行業在轉型升級過程中，不可避免會帶來勞動力的淘汰，但同時，新的機會也會產生。工程師將承擔更復雜、更具創造力的工作，輔以更智能的EDA工具，能夠進一步激發創新。

在通往無人芯片設計的道路絕非一片通途，人類在探索AI提高生產率方面還有相當長的路要走。我們今天所看到的變化，也僅僅是冰山一角。但不管怎樣，機器學習已經開始在 EDA 領域發揮重要作用了，未來，它還有更多提供顛覆性突破來解決半導體難題的機會。

本文由電子發燒友網原創，未經授權禁止轉載。如需轉載，請添加微信號elecfans999.