「」谷歌会超越三大巨头垄断芯片EDA设计工具吗？( 二 )

本文插图
正文来了：
2019年，关于AI ， EDA工具商都在展示两个观点：（1）AI Outside：如何设计EDA工具助力AI芯片的高效设计；（2）AI Inside：如何在EDA工具中应用AI算法以赋能芯片设计。这是两个非常有趣的观点，无论如何， AI已经成为EDA工业界和学术界关注的焦点。本文对现有各种资料和报道做了一些汇总与整理。
1、AI Inside
EDA问题具有高维度、不连续性、非线性和高阶交互等特性，学术界和工业界普遍认为机器学习等算法能够提高 EDA 软件的自主程度，提高 IC 设计效率，缩短芯片研发周期。
在EDA领域的学术会议和期刊中，我们已经可以看到机器学习的应用实例包括：（1）建立更准确的参数模型，优化参数分析过程，提高DRC、绕线、拥塞等预测准确度；（2）探索物理设计空间，提升VLSI QoR(routability, timing, area, power) 。

本文插图

本文插图
（1）EDA公司的成果：
Cadence的布局布线工具Innovus ，里面已有内置的 AI 算法，以提升Floorplan的效率和质量。 Project Virtus ，通过机器学习解决 EM-IR 和 Timing 之间的相互影响；还有 Signoff Timing 和 SmartLEC等工具，都嵌入了人工智能算法。

本文插图
Cadence公司：2020年3月18日，发布已经过数百次先进工艺节点成功流片验证的新版Cadence数字全流程，进一步优化功耗，性能和面积，广泛应用于汽车，移动，网络，高性能计算和人工智能（AI）等各个领域。流程采用了支持机器学习（ML）功能的统一布局布线和物理优化引擎等多项业界首创技术，吞吐量最高提升3倍， PPA最高提升20% ，助力实现卓越设计。

本文插图
Mentor：比如Machine Learning OPC可以将光学邻近效应修正(OPC)输出预测精度提升到纳米级，同时将执行时间缩短3倍。而在此之前，完成同样的工作量，需要4000个CPU 不间断地运行24小时；而在LFD中，通过机器学习既解决了海量未标记数据的提取，同时也通过训练好的数据使预测更加精准。结果显示，与基于全芯片模型的仿真相比，在保持最佳精度的同时还使性能提高了10-20倍。

本文插图
Mentor：而在深度数据分析上，除了来自Solido的variation aware的设计外，采用RCD(root cause deconvolution)技术消除诊断结果噪声，减少根因分析时间，发现其它隐藏较深导致良率问题的根源，也是非常典型的AI在EDA工具中的应用。

本文插图
Synopsys：2020年3月12日， Synopsys推出业界首个用于芯片设计的自主人工智能应用程序——DSO.aiTM(Design Space Optimization AI) ，这是电子设计技术上所取得的重大突破。 DSO.aiTM解决方案的创新灵感来源于DeepMind的AlphaZero ，使得AI在围棋、象棋领域远超人类。作为一款人工智能和推理引擎， DSO.ai能够在芯片设计的巨大求解空间里搜索优化目标。该解决方案大规模扩展了对芯片设计流程选项的探索，能够自主执行次要决策，帮助芯片设计团队以专家级水平进行操作，并大幅提高整体生产力，从而在芯片设计领域掀起新一轮革命。