新一代EDA產(chǎn)品通過應(yīng)用AI技術(shù)優(yōu)化客戶體驗、提升效能是全自動芯片設(shè)計迭代的一個重要方向。目前AI技術(shù)在EDA產(chǎn)品中得到廣泛研究應(yīng)用，涵蓋了芯片形成的幾乎所有階段，包括設(shè)計空間的縮減和探索、驗證、邏輯綜合、布局、布線、測試、制造等。

伴隨深度學(xué)習(xí)為代表的新一代機(jī)器學(xué)習(xí)算法的出現(xiàn)，再加上云計算以及GPU、TPU等新型資源可以提供前所未有的算力，機(jī)器學(xué)習(xí)在很多行業(yè)高速發(fā)展。當(dāng)前EDA領(lǐng)域研究中廣泛應(yīng)用的機(jī)器學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、生成對抗網(wǎng)絡(luò)（GAN）、深度增強(qiáng)學(xué)習(xí)（DRL）和圖神經(jīng)網(wǎng)絡(luò)（GNN）。CNN適用于在2D圖像中網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的特征提取，RNN擅長處理諸如文本或音頻之類的順序數(shù)據(jù)，GAN訓(xùn)練一個生成網(wǎng)絡(luò)和一個判別網(wǎng)絡(luò)相互競爭從而最終生成高質(zhì)量的假樣品，DRL是一類將深度學(xué)習(xí)納入強(qiáng)化學(xué)習(xí)范式的算法，能在具有較大決策空間的復(fù)雜任務(wù)中取得很好的成績。

對EDA產(chǎn)品進(jìn)行AI賦能的應(yīng)用方向最主要集中在四個方向：芯片實現(xiàn)決策、性能預(yù)測、性能黑盒優(yōu)化和自動化設(shè)計。AI在EDA中的機(jī)會始于傳統(tǒng)方法的決策不足，訓(xùn)練AI模型從可用的工具箱中選擇合適的算法、參數(shù)或超參數(shù)，可以很好地取代專家經(jīng)驗以克服暴力搜索。AI模型也被廣泛用于芯片性能預(yù)測，從先前已經(jīng)完成的設(shè)計中訓(xùn)練模型以預(yù)測新設(shè)計的性能指標(biāo)，幫助工程師評估新設(shè)計而無需耗時的綜合及物理實現(xiàn)程序。自動化程度更高的EDA工具利用黑盒優(yōu)化來幫助提升性能和效率，Deep Learning最新進(jìn)展學(xué)習(xí)（DL），尤其是強(qiáng)化學(xué)習(xí)（RL）技術(shù)激發(fā)的幾項研究以極大的設(shè)計空間完全自動化一些復(fù)雜的設(shè)計任務(wù)，其中預(yù)測變量并以在線形式學(xué)習(xí)、執(zhí)行和調(diào)整政策，顯示了人工智能（AI）輔助的自動化設(shè)計值得期待的未來。

在數(shù)字實現(xiàn)EDA環(huán)節(jié)，有許多關(guān)鍵的子問題可以得益于豐富的AI模型算法，包括提升Floorplan的效率和質(zhì)量、通過機(jī)器學(xué)習(xí)解決 EM-IR 和 Timing 之間的相互影響來優(yōu)化PPA、路徑分類、congestion位置預(yù)測等。針對不同的任務(wù)采用相適應(yīng)的模型算法是目前比較通行的做法，比如通過CNN、GAN、MARS可以訓(xùn)練布線前的擁塞估計模型；通過NN、GraphSAGE和GraphAttention訓(xùn)練串?dāng)_預(yù)測模型，可以修改布局結(jié)果提前減少串?dāng)_；在布局布線環(huán)節(jié)，通過Edge-GNN（基于邊緣圖神經(jīng)網(wǎng)絡(luò)），將網(wǎng)表節(jié)點類型和連通性的信息提取到低維向量表示中，通過回歸監(jiān)督訓(xùn)練出來的模型會大幅提升自動化設(shè)計的時間效率，PPA性能可以媲美甚至超越經(jīng)驗豐富的工程師。

盡管AI技術(shù)在EDA的應(yīng)用中已經(jīng)有一些成績并具有廣闊的前景，但是在工程實踐中仍然存在著諸多問題，列舉幾個常見的問題點：

1. AI模型的數(shù)據(jù)來源。在AI訓(xùn)練中，越廣泛的數(shù)據(jù)來源意味著越穩(wěn)定和強(qiáng)大的模型。目前還缺乏有效手段自動產(chǎn)生不同設(shè)計階段的各種訓(xùn)練數(shù)據(jù)，對錯誤數(shù)據(jù)及其對模型造成的干擾還需要更好的方法進(jìn)行處理。

2. 模型的泛化能力。因為設(shè)計數(shù)據(jù)不同而受到影響，不同設(shè)計的數(shù)據(jù)會有各式各樣的差別，這樣基于一批設(shè)計樣本訓(xùn)練產(chǎn)生的模型，在其他設(shè)計中由于數(shù)據(jù)并不一樣，模型的效果就會受到影響。甚至對同一個設(shè)計，當(dāng)設(shè)計發(fā)生某些改變之后，模型準(zhǔn)度也無法有效保證。

3. 傳統(tǒng)EDA工具多為單機(jī)軟件，在很大程度上制約了應(yīng)用超強(qiáng)算力（如cloud、GPU等）來提升AI模型的復(fù)雜度和精準(zhǔn)度，并且制約了模型訓(xùn)練及推理的速度。

如何解決上述這些問題，將成為AI技術(shù)在新一代EDA產(chǎn)品中重要的著力點。芯行紀(jì)致力于打造新一代的智能數(shù)字實現(xiàn)EDA產(chǎn)品，也希望和業(yè)界同仁一起努力將AI技術(shù)深入應(yīng)用到EDA的各個環(huán)節(jié)中。AI賦能的EDA產(chǎn)品一定能大幅度提升芯片設(shè)計效率，也必將加速半導(dǎo)體全產(chǎn)業(yè)鏈的升級。

責(zé)任編輯：haq