工藝技術的持續演進，深刻塑造了當今的半導體產業。從早期的平面晶體管到鰭式場效應晶體管（FinFET），再到最新的全環繞柵極（GAA）架構，每一代新工藝節點都為顯著改善功耗、性能和芯片面積（PPA）創造了機會。

這種不懈的創新推動著公司將芯片設計遷移到更新的工藝節點，不僅是為了利用器件物理學方面的最新進展，也是為了響應市場對更小、更快、更節能產品的需求。

然而，工藝節點遷移并不總是意味著采用最新或最先進的工藝技術。有時，經濟方面的考慮（例如成本、良率和供應鏈靈活性）會促使公司將設計移植到幾何尺寸更大的舊工藝節點。

無論總體目標是什么，將設計遷移到其他工藝技術歷來是一項充滿風險的勞動密集型工作，尤其是對于模擬設計而言。但是，在人工智能（AI）的幫助下，這種情況正在改變。

模擬工藝節點遷移：緩慢而艱巨

數字設計的遷移因自動化和可靠的工具流而相對輕松，但模擬工藝節點遷移長期被視為一項艱巨的挑戰。模擬電路對工藝變化高度敏感，而且模擬電路的版圖通常需要精心手工制作。

將這些設計移植到新工藝節點遠非簡單地適應新的設計規則，更需要深入了解器件行為，進行精細的手動調整，甚至在許多情況下，需要徹底重新設計定制結構。

這種高度依賴人工的方式使得模擬遷移既緩慢又耗費資源。工藝技術即便僅有細微改動，也可能對電路性能和良率造成巨大影響，這要求工程師必須具備豐富的工程經驗并投入大量時間。

因此，當半導體設計需要適配新工藝節點時，模擬遷移歷來是一個瓶頸。

人工智能：改變模擬遷移進程

AI正在重寫模擬工藝節點遷移的規則。新思科技ASO.ai等先進的AI工具正以超乎想象的方式簡化和加速這一流程：

自動原理圖遷移。AI可分析現有原理圖，并智能地使原理圖適配新工藝節點，在支持新器件特性的同時保留設計意圖。

基于AI的電路優化。機器學習算法可快速探索大量變量，并針對多個目標（如PPA）及特定工藝的約束條件優化模擬設計。

版圖智能遷移。AI可解讀并調整復雜的手工制作的模擬版圖，例如帶專有“秘密”結構（如電流鏡中的指形交織）的版圖，以適應新節點，從而顯著減少人工工作量。

寄生感知優化：AI驅動的工具會考慮寄生效應對電路行為的影響，確保設計在工藝遷移后保持魯棒性和高性能。

加速設計收斂：與仿真和驗證工具（如新思科技PrimeSim SPICE和IC Validator）集成后，AI能夠快速迭代并收斂到最優解決方案，從而進一步加快設計周期。

實際影響：效率、質量和創新

使用AI工具進行模擬工藝節點遷移已經帶來了切實的益處：

大幅節省時間。過去需要數周或數月才能完成的任務，現在只需幾天甚至幾小時，從而釋放了寶貴的時間和工程資源。

提升質量和一致性。AI有助于實現遷移流程標準化，減少人為失誤和差異，同時確保始終采用最佳實踐。

解鎖新的可能性。AI降低了遷移門檻，使得將模擬設計移植到更先進工藝節點具備可行性，甚至移植到幾何尺寸更大的工藝節點以滿足成本敏感型應用的需求，從而擴大了產品范圍和可服務的市場。

增強IP團隊的能力。我們自己的IP團隊依靠AI驅動的工具，在多種代工工藝之間遷移并優化新思科技模擬IP，從而能夠快速響應客戶需求和市場變化。

數字工藝節點遷移：AI亦可賦能

數字工藝節點遷移，通常需要重新完成從RTL到GDS II的全流程，同樣因為AI而發生深刻變革。數字流程長期受益于自動化技術，但現代芯片日益增長的復雜性和激進的PPA目標不斷挑戰傳統工具和方法的極限。

新思科技DSO.ai等AI驅動的解決方案通過在流程的每一階段引入智能自動化和優化，將數字工藝節點遷移提升到新的高度：

PPA自動優化：AI算法可快速探索廣闊的解空間，自動調整設計參數以實現理想的PPA結果。其中包括調整布局、布線和時鐘樹綜合策略，免去了以前需要的大量人工干預和迭代微調。

加快設計收斂：通過學習以前的項目并利用大型數據集，AI工具可以預測和解決流程中的常見瓶頸，例如時序收斂和擁塞問題，從而加速收斂并減少高成本設計迭代的次數。

無縫IP集成：集成新的或更新的IP塊是數字工藝節點遷移的一個關鍵環節，我們提供針對最新節點優化的各類IP解決方案。AI可智能管理兼容性檢查、接口調整和性能驗證，從而簡化流程并盡可能降低集成風險。

資源優化：AI可動態分配計算資源，并協調分布式設計團隊的任務優先級，確保工程人才和EDA基礎設施得到高效利用。

設計規則自適應：隨著工藝節點越來越先進，設計規則也變得越來越復雜。AI驅動的工具可自動解讀和應用這些設計規則，盡可能降低違例風險，并從一開始就確保可制造性。

這些AI驅動的增強功能帶來了顯著且可衡量的優勢：

減少周轉時間：數字設計團隊現在可以更快地過渡到新節點，滿足緊迫的交付期限，加快新產品的上市。

提高設計質量：AI能夠針對多個目標進行優化，并從過去的項目中學習，從而實現更可靠、更高質量的設計，并減少后期意外。

可擴展性：AI使團隊能夠管理不斷增長的片上系統（SoC）設計規模和復雜性，支持遷移一切資源，從小IP塊到包含數十億晶體管的大芯片。

在實際應用中，利用AI遷移工具的數字團隊反映，不僅流片速度更快，而且結果更可預測，同時還能靈活嘗試多種代工工藝或技術選項。

未來由AI驅動

AI正迅速將工藝節點遷移從令人頭疼的不得已選擇，轉變為支撐半導體設計創新的戰略手段，尤其是在模擬領域，帶來的影響最為顯著。AI讓復雜的手動任務得以自動化，使團隊能夠以空前的速度、可靠性和創造力遷移設計。隨著行業的不斷發展，AI與人類專業知識的協同效應將成為充分挖掘下一代半導體技術潛力的關鍵。