先进晶片的设计与制造，已经是庞然大物，一般的人力早已无力负担。幸好，AI来了。有了AI加入之後，它大幅提升了IC设计的效率，无论是前段的设计优化，或者是後段晶片验证，它都带来了无与伦比的改变。

这当然其来有自，但却也没有那麽理所当然。我们可以从一颗先进处理器晶片里的电晶体数目看出一个端倪。

以苹果最新一代的M2 Pro处理器为例，它具备了400亿个电晶体，数量已远远超过人类的脑神经细胞（140亿个）。如此多的电晶体数量，当中还牵涉了无数的电路布局和逻辑整合，想要单靠人力来开发，几??就是个不可能的任务，就算是阿汤哥亲自上场，恐怕也无能为力。

再加上越来越紧迫的上市时程和越来越短的产品生命周期，一颗晶片从规格设计开始，到行为描述、RTL阶段，再到逻辑设计和转成电路的布局，接着验证等等，若没有点石成金的工具，即使是拥有最新鲜的肝，晶片工程师们也没有办法如期完成，只能束手就擒。

雪上加霜的是，IC设计的人才正持续面临短缺。根据半导体产业协会（Semi）的资料，至2030年之前，光是美国半导体设计产业就可能面临高达23,000名的半导体工程师人才缺囗，更遑论如今的半导体重镇━亚洲地区。

痛点很痛，但却AI姗姗来迟

所以，把重复性的工作交给电脑来做，将是最隹的解法。最好它能够自己找出盲点来，把初步的设计进一步优化，甚至还可以跳过一些流程，让自动化工具自己来生成，工程师们只需要站在创意的原点上来思考。而这就是目前IC设计的现在进行式。

只不过晶片设计也不是一天就变得这麽复杂，工程师们更不是今天才需要AI自动化的协助，实在是10年之前人工智慧技术是个冷门学问，且在生产制造领域鲜少有导入的实例，直到Google AlphaGo的问世。

AlphaGo的贡献不仅是证明了AI能让人类「棋逢敌手」，最大的影响还是它开启了AI的应用市场，也让束之高阁的深度学习和神经网路技术找到了普及的路径。大家这时才赫然发现，原来从数据??头捞出的东西可以这麽有影响力。

只不过光有AI软体演算法还不够，仍需要相对应的硬体搭配才能实现最隹的性能，於是GPU和神经网路加速器种种相关的元件商也陆续加入，最终开启了目前的大AI时代。而一直等待神队友出现的IC设计师们，也终於在这段时期看到了AI辅助设计的应用潜力。

图一 : AlphaGo最大的影响还是它开启了AI的应用市场。（source： Google）

DeepMind启发 新思科技推出首款商用EDA AI方案

首款针对IC设计的商用EDA方案，是新思科技（synopsys）在2020年初所发表的「DSO.ai」工具。根据新思的说法，会推出DSO.ai解决方案，就是受到DeepMind所开发的AlphaGo与AlphaZero的启发，希??能够过AI技术在极大量的晶片设计方案中自主搜寻优化目标。

新思科技DSO.ai工具的厉害之处，就在於它可以大规模探索晶片设计工作流程中的可能选项，同时自动执行後续决策，大幅提升晶片设计团队的工作处理量。而运用在实际的晶片开发中工作，它仅需耗费少量的时间和较少的资源就能达成目标。

在EDA领域初试啼声就一呜惊人之後，新思科技当然也就打铁趁热，持续精进他们的AI辅助技术。近期新推出的「Synopsys.ai」即是他们集大成之作，几??是把AI技术全面应用在晶片设计流程之中，目的就是要让晶片开发可以更加完善。

依据新思的资料，Synopsys.ai是业界首款全面涵盖设计、验证、测试和制造等流程的AI驱动EDA解决方案，而且可用在数位和类比晶片的设计上。其最大的特色就是让工程师能在晶片设计的每个阶段，包含系统架构到设计和制造等阶段，都可以使用AI技术，并且透过云端来存取这个解决方案。

新思表示，Synopsys.ai EDA套件包括了数位设计空间优化，可实现优化功耗、效能和面积（PPA）目标；至於类比设计自动化，是用於各式制程节点的类比设计快速迁移（migration）；以及验证覆盖率收敛（coverage closure）和??归 （regression）分析，以实现更快的功能测试收敛、更高的覆盖率和预测性错误检测。

另外，Synopsys.ai也具备自动生成测试的功能，可以减少并优化矽晶缺陷覆盖率的测试图型（pattern），并实现更快速的结果效率（time to result）。再加上生成可加速高精度曝光（lithography）模型开发的解决方案，能带来最高良率。

新思指出，达成验证覆盖率目标是晶片设计中最耗时的步骤之一，因为需要进行收敛与??归分析，这需要掌握广泛的测试覆盖范围。Synopsys.ai可在跨制程节点快速迁移模拟设计上实现自动化流程，生成测试案例。并根据事先定义的测试覆盖目标和限制，利用历史数据生成新的测试案例，如此可增加覆盖范围并确保更精准的预测性错误检测，减少手动生成测试的需求。

此外，自动测试生成功能可减少矽缺陷的覆盖范围，并优化测试模式，加快获得结果的时间。而机器学习可以透过训练识别晶片设计中潜在故障的模式和指标，根据历史数据进行学习，使得晶片设计人员能够更快、更准确地检测和诊断故障，降低验证过程中出现错误和延迟的风险。

而根据新思客户的回报，在减少功能覆盖漏洞方面，AI工具的效能提升了10 倍，且IP验证效率也提高30%。

图二 : 从现在开始，EDA工具将进入AI驱动的年代。（source： Synopsys）

朝向智慧系统设计 Cadence打造全方位的EDA AI平台

另一家EDA方案大厂，益华电脑（Cadence Design Systems, Inc.）同样也看到了AI所能带来益处，并陆续在EDA方案中加入AI辅助的功能。不同於其他的EDA业者，Cadence并不打算只把AI的技术局限在晶片设计领域，而是更强调从系统的观点来出发，也就是要从晶片设计开始，一路跨到系统设计上，都能有AI的助力。

针对智慧系统设计（Intelligent System Design）中的AI功能与角色，Cadence资深??总裁暨数位与签核事业群总经理滕晋厌(Chin-Chi Teng)博士表示，AI能让晶片业者更具生产力，透过AI技术，将可以取得更隹的PPA（功耗、性能与面积）效能、更好的验证收敛、以及更快的设计周期。

以Cadence的AI验证平台Verisium为例，它能够确定错误的优先顺序、追踪错误、发现其根源，然後修正问题。而这个工具是基於Cadence的整合型企业数据和AI（Joint Enterprise Data and AI，简称JedAI）大数据平台，并与Cadence 验证引擎自然整合。

透过Verisium，所有验证数据，包括波形、覆盖范围、验证报告和文件，都可汇集於JedAI平台。并利用机器学习（ML）模型，从所收集的大数据中挖掘其他专有指标、启用新的工具，从而提高验证效率。

另一个案例是数位化全流程。滕晋厌(Chin-Chi Teng)指出，Cadence的Cerebrus智慧化数位晶片设计工具，是一款以机器学习为技术基础所开发的新型工具，它可实现数位晶片设计自动化和规模化，不只能以更快速度产出结果，还能产出更好的结果。相对於传统的设计方式耗时数月的时间，若采用Cerebrus工具，则一位工程师只要10天就能取得20%的PPA提升。

滕晋厌解释，Cerebrus的AI技术具备独特的强化学习引擎，可自动优化软体工具和晶片设计选项，提供更好的PPA，进而大幅减少工程端的负荷和整体流片时间。例如，Cadence Cerebrus 布局优化功能，进一步缩小晶片尺寸。

近期推出的Allegro X设计平台，更是业界首款针对系统设计的工程平台，它以Cadence Allegro与OrCAD核心技术，可整合电路图、布局、分析、设计协作与资料管理。 而其AI技术，在设计效能和自动化方面更展现革命性的提升。

根据Cadence资料，其全新的AI技术在PCB设计领域上达成了出色的成果，与手动进行的电路板设计相较下，大幅缩减了PCB设计的时间。能把PCB布局和绕线的任务从几天缩短到数分钟，同时带来同等或更高的设计成果。

图三 : 透过Cadence的AI设计平台，PCB的设计时间将可以大幅的缩减。（source：Cadence）

减轻工程师设计负担

随着AI的出现，除了为IC设计流程带来了更大的优化潜力，并对EDA设计工具产生了深远的影响。AI技术应用在IC设计的各个阶段都非常适宜，从前段的电路结构和元件选择，到後段的物理布局和布线优化。AI演算可以透过优化搜索、自动化生成和快速评估设计方案，帮助设计师在设计空间中快速找到最隹解决方案，大幅提升设计效率。

AI技术在IC设计的後段验证和仿真阶段也发挥着重要作用。传统的验证和仿真过程往往耗时费力，尤其对於大型复杂的IC设计来说。AI技术可以运用在快速建模和预测、错误检测和修复等方面，加速验证流程，帮助设计师更早地发现和解决问题，减少验证时间和成本。

针对物理布局和布线的阶段，AI能够实现更高程度的自动化。AI演算法可以根据特定的设计规则和性能目标，自动生成布局和布线方案，并在不同设计的限制下进行快速优化。这不仅减轻了设计师的工作负担，还有助於改善晶片的性能和功耗。

另外对於电源和散热管理，AI技术也可以做到更有效的解决。在IC设计中，电源和散热是关键问题，直接影响设计的可靠性和性能。AI可以直接对晶片进行数据监测和分析，自动调整电源供应和散热系统，实现更有效的功耗管理和热管理策略。至於在故障检测和容错设计方面，AI可以帮助设计师更早地发现潜在的故障点，并提供更优化的容错机制，使IC设计更加稳健和可靠。

结语

AI为IC设计流程带来了更多的智能化、自动化和高效化。不仅加速了设计过程，降低成本，同时还能帮助设计师在设计空间中探索更多可能性，提高设计的品质和性能。至於AI技术的导入可能带来新的挑战和问题，例如安全性和隐私等问题，也需要在应用中加以考虑并解决。