「」谷歌会超越三大巨头垄断芯片EDA设计工具吗？( 三 )

谷歌Jeff Dean发表了论文《The Deep Learning Revolution and Its Implications for Computer Architecture and Chip Design》，也在ISSCC-2020做了报告，阐述了如何使用机器学习算法自动实现芯片布线、制造缺陷检测等各个阶段的高质量解决方案。但是，文中并没有与现有EDA工具和state of art做比较，因此还未看到相比现有EDA工具有何优势。

本文插图
（2）学术界
从EDA领域的几大顶会（DAC、ICCAD、ASP-DAC）近几年论文收录情况，我们也可以看到学术界的探索。
DAC-2019的5篇最佳论文提名中3篇与AI相关：

LithoGAN: End-to-end Lithography Modeling with Generative Adversarial Networks
BRIC: Locality-based Encoding for Energy-Efficient Brain-Inspired Hyperdimensional Computing
A 1.17 TOPS-W, 150fps Accelerator for Multi-face Detection and Alignment
DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement
Accuracy vs. Efficiency: Achieving Both through FPGA-Implementation Aware Neural Architecture Search

最终，最佳论文由“DREAMPlace: Deep Learning Toolkit-enabled GPU Acceleration for Modern VLSI Placement”获得。（论文开源网址：https://github.com/limbo018/DREAMPlace）

本文插图
在DAC-2020的网站，可以看到57th DAC General Chair Zhuo Li的寄语：
随着该行业深入到2020年，很明显AI / ML架构和解决方案的研究和应用将继续加速。实际上，可以通过检查最近提交给2020 DAC的AI / ML架构和系统设计论文的数量来衡量印证。 2018年，共提交了56篇AI / ML架构和系统论文供审查。该数字在2019年增加到92篇提交论文，到2020年惊人的194篇提交论文。换句话说， AL / MI架构和系统设计研究的复合年增长率为86%！考虑到麦肯锡公司（McKinsey＆Company）最近报告说，与非AI半导体市场相比， AI半导体的总可用市场将以5倍的速度增长，这也许不足为奇。但是AL / ML研究不仅限于DAC提交的硬件体系结构。我们还看到了应用于传统EDA问题的AI / ML算法和方法的惊人增长，范围从光刻热点检测到物理设计和实现。
2019年，在IEEE Council on Electronic Design Automation (CEDA) 和ACM Special Interest Group on Design Automation (SIGDA)的支持下，在加拿大Banff举办了ACM/IEEE workshop on machine learning for CAD 2019（MLCAD 2019）。 2020年会议主页网址链接为：
http://mlcad.itec.kit.edu/.
会议的投稿主题包括但不限于：
? ML for system-level design
? ML approaches to logic design
? ML for physical design
? ML for analog design
? ML for power and thermal management
? ML for Design Technology Co-Optimization (DTCO)
? ML methods to predict aging and reliability
? Labeled and unlabeled data in ML for CAD
? ML techniques for resource management in many cores
? ML for Verification and Validation
好书推荐：
2019年， Springer上架了《Machine Learning in VLSI Computer-Aided Design》，本书Editors: Elfadel, Ibrahim (Abe) M., Boning, Duane S., Li, Xin (Eds.)。本书为读者提供了有关在超大规模集成电路（VLSI）的计算机辅助设计（CAD）使用机器学习框架，方法，算法和技术的最新信息。涵盖的范围包括光刻，物理设计，成品率预测，硅后性能分析，可靠性和故障分析，功率和热分析，模拟设计，逻辑综合，验证和神经形态设计中使用的各种机器学习方法。