多年來，分析師和開發人員一直在討論人工智能（AI）和電子設計自動化（EDA）之間的完美匹配。EDA問題具有高維度、不連續性、非線性和高階交互等特性。現在設計人員面臨的問題，在於可以採用哪些更好的方法來應對這種複雜程度，而不是再應用一種過去的經驗，並使用這種經驗來預測類似問題的解決方案。

實際上，人工智能已經開始在EDA領域發揮作用，在過去的幾年裡出現了大幅的進步。但是若就所有AI的成功面來探討，類似機器學習、神經網路和深度學習等的AI應用，在EDA設計中找到一席之地的速度很慢。然而，這樣的狀況正在改變當中。

以機器學習強化CMP建模

目前Mentor Graphics就是透過機器學習和神經網路等方式，來生成準確的後沉積曲線，藉此強化了化學機械拋光建模（CMP）。CMP透過平整晶片層，在晶片製造中起到了關鍵作用。結果取決於被拋光的材料，以及任何給定位置的材料的密度和形狀。

由於現在的許多IC電路設計都是更為緊密且微縮，因此CMP後的平面度變化，將會顯著影響生產過程的成功率。為了減輕任何可能的負面影響，晶片製造商使用CMP建模來檢測潛在的熱點，作為其製造設計流程的一部分。

圖一 : 近年來，AI晶片製造初創公司的崛起引起了很大的關注，而機器學習在電子設計領域的緩慢滲透仍在持續發生。

CMP熱點分析是用於尋找可能經歷CMP後的缺陷設計區域。由於不同材料在CMP製程中表現出不同的腐蝕速率，因此晶圓廠必須在整個晶片上保持恆定的密度平衡，以防止導致金屬互連短路和斷裂的凸起和凹陷生成。

為了獲得最佳的CMP建模精確度，晶片製造商必須能夠產生出高品質的CMP前表面輪廓。如果這些輪廓不準確，則CMP後輪廓的CMP模擬結果將受到損害。為了解決這個問題，Mentor的工程師使用機器學習演算法，來對CMP前表面輪廓中的測量數據進行靈敏度分析。他們發現，輪廓依賴性主要受底層圖案幾何形狀的影響。利用這些資訊，研究人員透過神經網路回歸計算來模擬CMP的前表面輪廓，並使用底層圖案的幾何特徵作為輸入。然後，神經網路將估計CMP前輪廓，並作為CMP建模的輸入，進而提高整個過程的準確性。

建立正確的連接

人工智慧技術在視訊、語音、預測、機器人及診斷等應用中，正逐漸步入佳境。這些新興應用對處理能力提出進階需求，推動運算架構發生天翻地覆的變化，並急劇改變著SoC設計模式。

NetSpeed Systems正在持續將人工智能導入到SoC的設計架構中。針對相關設計問題，NetSpeed Systems推出了以人工智能為基礎的SoC晶片內部互連解決方案Orion AI，這是一款用於輔助晶片架構師將SoC互連設計最佳化的產品。像SoC這樣的異質架構系統，讓設計人員必須面對令人畏懼的高複雜度。為了提出合理的互連策略，設計人員必須考慮大量參數，包括路由約束、連接要求、協議依賴性、時脈特性和過程特性等，如線路延遲、頻寬和延遲約束。這都將使得整體設計架構無限量地擴增。

圖二 : 在過去，AI應用在EDA設計中找到一席之地的速度很慢。然而，這樣的狀況正在改變當中。

為解決這些問題，NetSpeed採用了需求驅動的設計流程，架構師指定了IP區塊，連接和性能要求以及以系統為中心的用例。然後，Orion AI使用監督學習算法搜索互連設計數據中的模式，以識別有前途的策略，評估每種方法的性能，功耗和功能安全性。然後，算法建議互連實現，允許架構師審查自動生成的結果並相應地微調實現。

這些新的SoC內部架構，顯示出的是一種新的資料流程，一般來說，想實現快速有效的點對點資料交換，就需要大量的計算單元。傳統架構運行的方式是採用中央存儲作為資料交換系統。而人工智慧系統需要任意位置資料交換，這可以透過廣泛的介面而加以實現，並需要支援長突發傳輸。Orion AI的一個關鍵優勢就是能夠支援多重多播的需求，並支持非阻塞傳輸。

圖三 : 新興應用對處理能力提出進階需求，推動運算架構發生天翻地覆的變化，並急劇改變著SoC設計模式。

Orion AI由NetSpeed的機器學習引擎提供支援，該引擎使用監督學習來探索和優化SoC設計與架構。這種架構是一種以人工智慧為核心的設計方法，就像有一位隨時上線的師來做出設計上的建議。處理器架構師可以採納AI的建議，然後將時間花在解決SoC設計中的其他難題。Orion AI方案支持多播與廣播等先進特性，能極大化地提升人工智慧SoC與加速器ASIC的性能與效率，可廣泛應用於資料中心、自動駕駛、AR/VR，以及先進視訊分析。Orion AI由NetSpeed的Orion IP建構而成，這些Orion IP已經授權給許多人工智慧公司。

從AI向雲端運算擴展

人工智慧技術的新興應用對處理能力提出進階需求，推動運算架構發生天翻地覆的變化，並急劇改變著SoC設計模式。

近年來，AI晶片製造初創公司的崛起引起了很大的關注，而機器學習在電子設計領域的緩慢滲透仍在持續發生。在現階段，從AI向雲端運算的擴展，或許是EDA產業值得觀察的一個方向。

例如Synopsys近期的整體戰略，就是利用機器學習來加速分析。而Cadence Design Systems也已經將機器學習應用於函式庫。機器學習用於這些任務中，已經成為該技術發展的最好案例，至少在設計的早期階段，透過從先前的運行中學習，透過識別最需要詳細分析的可能熱點，來加速整體設計流程。

此外，由於溫度和過程效應的影響越來越大，函式庫和標准單元的模擬，需要考慮比以往更多的設計角度。它還越來越依賴於統計分析技術。這消耗了大量的機器運作週期，且不斷增加中。

Cadence將機器學習用應用於晶片設計中，透過學習的啟發式方法，來識別重要的設計流程。Cadence這樣的工具可以根據函式庫的一小部分區塊，來識別和預測設計流程中的關鍵部分。

建構啟發式的學習

2017年底，西門子的Mentor事業部收購了Solido Design Automation，它推出了一個函式庫工具，作為機器學習長期開發計劃的一部分。Mentor認為，所有參數的強力模擬結果，會佔用大量的機器資源。而啟發式的演算法可以帶來更快的結果。

EDA和其他想要應用機器學習的部門，主要的關鍵區別在於數據的性質。就EDA來說，並不會嘗試採取一堆歷史數據並從中學習經驗。通常EDA設計會在運行中收集數據，使其在自適應的機器學習循環上運行。訓練數據的生成器通常是模擬器，然而，模擬設計通常不是EDA中唯一適合機器學習的領域。就這點來看，Synopsys一直在密切關注使用機器學習以構建啟發式的學習方法，這將可以幫助加快正式驗證的運行。

結語

從以上的一些廠商發展現況與案例，顯示了AI如何在晶片設計開始的過程中，佔有一席之地。在某些情況下，甚至可以透過AI，將晶片生產力提高十倍。以AI來提升EDA的設計能力不再是問題，只是兩種技術之間的運作關係與定義等，在未來還有一段很長的路要走。