多年来，分析师和开发人员一直在讨论人工智能（AI）和电子设计自动化（EDA）之间的完美匹配。 EDA问题具有高维度、不连续性、非线性和高阶交互等特性。现在设计人员面临的问题，在于可以采用哪些更好的方法来应对这种复杂程度，而不是再应用一种过去的经验，并使用这种经验来预测类似问题的解决方案。

实际上，人工智能已经开始在EDA领域发挥作用，在过去的几年里出现了大幅的进步。但是若就所有AI的成功面来探讨，类似机器学习、神经网路和深度学习等的AI应用，在EDA设计中找到一席之地的速度很慢。然而，这样的状况正在改变当中。

以机器学习强化CMP建模

目前Mentor Graphics就是透过机器学习和神经网路等方式，来生成准确的后沉积曲线，借此强化了化学机械抛光建模（CMP）。 CMP透过平整晶片层，在晶片制造中起到了关键作用。结果取决于被抛光的材料，以及任何给定位置的材料的密度和形状。

由于现在的许多IC电路设计都是更为紧密且微缩，因此CMP后的平面度变化，将会显著影响生产过程的成功率。为了减轻任何可能的负面影响，晶片制造商使用CMP建模来检测潜在的热点，作为其制造设计流程的一部分。

图一 : 近年来，AI晶片制造初创公司的崛起引起了很大的关注，而机器学习在电子设计领域的缓慢渗透仍在持续发生。

CMP热点分析是用于寻找可能经历CMP后的缺陷设计区域。由于不同材料在CMP制程中表现出不同的腐蚀速率，因此晶圆厂必须在整个晶片上保持恒定的密度平衡，以防止导致金属互连短路和断裂的凸起和凹陷生成。

为了获得最佳的CMP建模精确度，晶片制造商必须能够产生出高品质的CMP前表面轮廓。如果这些轮廓不准确，则CMP后轮廓的CMP模拟结果将受到损害。为了解决这个问题，Mentor的工程师使用机器学习演算法，来对CMP前表面轮廓中的测量数据进行灵敏度分析。他们发现，轮廓依赖性主要受底层图案几何形状的影响。利用这些资讯，研究人员透过神经网路回归计算来模拟CMP的前表面轮廓，并使用底层图案的几何特征作为输入。然后，神经网路将估计CMP前轮廓，并作为CMP建模的输入，进而提高整个过程的准确性。

建立正确的连接

人工智慧技术在视讯、语音、预测、机器人及诊断等应用中，正逐渐步入佳境。这些新兴应用对处理能力提出进阶需求，推动运算架构发生天翻地覆的变化，并急剧改变着SoC设计模式。

NetSpeed Systems正在持续将人工智能导入到SoC的设计架构中。针对相关设计问题，NetSpeed Systems推出了以人工智能为基础的SoC晶片内部互连解决方案Orion AI，这是一款用于辅助晶片架构师将SoC互连设计最佳化的产品。像SoC这样的异质架构系统，让设计人员必须面对令人畏惧的高复杂度。为了提出合理的互连策略，设计人员必须考虑大量参数，包括路由约束、连接要求、协议依赖性、时脉特性和过程特性等，如线路延迟、频宽和延迟约束。这都将使得整体设计架构无限量地扩增。

图二 : 在过去，AI应用在EDA设计中找到一席之地的速度很慢。然而，这样的状况正在改变当中。

为解决这些问题，NetSpeed采用了需求驱动的设计流程，架构师指定了IP区块，连接和性能要求以及以系统为中心的用例。然后，Orion AI使用监督学习算法搜索互连设计数据中的模式，以识别有前途的策略，评估每种方法的性能，功耗和功能安全性。然后，算法建议互连实现，允许架构师审查自动生成的结果并相应地微调实现。

这些新的SoC内部架构，显示出的是一种新的资料流程，一般来说，想实现快速有效的点对点资料交换，就需要大量的计算单元。传统架构运行的方式是采用中央存储作为资料交换系统。而人工智慧系统需要任意位置资料交换，这可以透过广泛的介面而加以实现，并需要支援长突发传输。 Orion AI的一个关键优势就是能够支援多重多播的需求，并支持非阻塞传输。

图三 : 新兴应用对处理能力提出进阶需求，推动运算架构发生天翻地覆的变化，并急剧改变着SoC设计模式。

Orion AI由NetSpeed的机器学习引擎提供支援，该引擎使用监督学习来探索和优化SoC设计与架构。这种架构是一种以人工智慧为核心的设计方法，就像有一位随时上线的师来做出设计上的建议。处理器架构师可以采纳AI的建议，然后将时间花在解决SoC设计中的其他难题。 Orion AI方案支持多播与广播等先进特性，能极大化地提升人工智慧SoC与加速器ASIC的性能与效率，可广泛应用于资料中心、自动驾驶、AR/VR，以及先进视讯分析。Orion AI由NetSpeed的Orion IP建构而成，这些Orion IP已经授权给许多人工智慧公司。

从AI向云端运算扩展

人工智慧技术的新兴应用对处理能力提出进阶需求，推动运算架构发生天翻地覆的变化，并急剧改变着SoC设计模式。

近年来，AI晶片制造初创公司的崛起引起了很大的关注，而机器学习在电子设计领域的缓慢渗透仍在持续发生。在现阶段，从AI向云端运算的扩展，或许是EDA产业值得观察的一个方向。

例如Synopsys近期的整体战略，就是利用机器学习来加速分析。而Cadence Design Systems也已经将机器学习应用于函式库。机器学习用于这些任务中，已经成为该技术发展的最好案例，至少在设计的早期阶段，透过从先前的运行中学习，透过识别最需要详细分析的可能热点，来加速整体设计流程。

此外，由于温度和过程效应的影响越来越大，函式库和标准单元的模拟，需要考虑比以往更多的设计角度。它还越来越依赖于统计分析技术。这消耗了大量的机器运作周期，且不断增加中。

Cadence将机器学习用应用于晶片设计中，透过学习的启发式方法，来识别重要的设计流程。 Cadence这样的工具可以根据函式库的一小部分区块，来识别和预测设计流程中的关键部分。

建构启发式的学习

2017年底，西门子的Mentor事业部收购了Solido Design Automation，它推出了一个函式库工具，作为机器学习长期开发计划的一部分。 Mentor认为，所有参数的强力模拟结果，会占用大量的机器资源。而启发式的演算法可以带来更快的结果。

EDA和其他想要应用机器学习的部门，主要的关键区别在于数据的性质。就EDA来说，并不会尝试采取一堆历史数据并从中学习经验。通常EDA设计会在运行中收集数据，使其在自适应的机器学习循环上运行。训练数据的生成器通常是模拟器，然而，模拟设计通常不是EDA中唯一适合机器学习的领域。就这点来看，Synopsys一直在密切关注使用机器学习以构建启发式的学习方法，这将可以帮助加快正式验证的运行。

结语

从以上的一些厂商发展现况与案例，显示了AI如何在晶片设计开始的过程中，占有一席之地。在某些情况下，甚至可以透过AI，将晶片生产力提高十倍。以AI来提升EDA的设计能力不再是问题，只是两种技术之间的运作关系与定义等，在未来还有一段很长的路要走。