放心交给AI解决的芯片设计痛点

尽管制造工艺的推进速度已经放缓，芯片设计的复杂程度依然丝毫不减，对于芯片设计者来说，在这样一个AI驱动的时代下，如果不能将AI为自己所用，无疑会让自己乃至整个设计项目的效率停滞不前。虽说大家都已经察觉到AI开始渗透进EDA工具中，那么现阶段的AI，究竟能解决哪些设计上的挑战呢？

验证

验证是芯片设计中最大的挑战之一，我们已经见识过了价格高昂的专用验证硬件，以及验证上云的潮流，这些都足以说明验证是芯片设计中一个多么耗费资源的过程，这里指代的也不仅仅是硬件计算资源，还有时间资源。验证所耗时间甚至可能高过其他流程，这些年诸多芯片开发团队中的验证工程师人数也在逐渐增长，增速甚至已经超过了设计工程师，然而业内却很少有人去优化验证这个流程。

Verisium验证平台 / Cadence
AI的出现终于让这个缺口出现了松动，不少厂商都开始利用AI去优化验证这一流程，比如通过覆盖率预测和激励优化来加速覆盖率达标。Cadence也在今年发布了Verisium AI驱动验证平台，根据Cadence的说法，Verisium 的出现意味着SoC验证从单运行单引擎算法，转向了由AI和大数据辅助的多运行多引擎算法，从而减少了调试周转时间、提高了调试效率，还会自动对失败测试案例分类，减少人为分析的工作量。

模拟设计自动化

相对数字IC设计来说，模拟IC的设计显然在自动化程度上还是差了不少的。在数字电路的设计过程中，整个流程的自由度是在逐级降低的。模拟电路设计虽然也是如此，但其下降幅度还是不比数字电路设计的，尤其是在布局布线和验证上，所以自动化一直没有提上日程，现阶段大部分模拟电路设计主要还是取决于设计者本身的直觉、技能和经验。

有了AI的帮助后，EDA工具在大量数据的训练下给出了先进的机器学习算法，使得模拟电路的布局布线有了更高效的自动化流程，尤其是在约束提取和生成，布局优化上，模拟电路的优化和生成及仿真验证也可以在AI驱动下获得提速。如此一来，每个模拟电路设计的迭代数量会进一步减少，芯片的上市周期也随之缩短。

系统集成

近几年流行起来的UCIe、Chiplet、3D封装等，其实都是一个系统集成的概念。以此引入的设计与制造优化方案也受到了持续关注，比如DTCO等。如何集成更多的晶体管、更多的内存以及逻辑+内存集成，还有最后软件联合硬件的热管理等，都是系统集成需要考虑的问题。


DSO.ai在设计数据中心CPU上的表现 / 新思
那么AI该如何从系统集成上进行优化呢？答案就是提供一个更高效探索设计空间的路线，能够给出预测模型和更快的实现方式，例如新思的DSO.ai和Fusion Complier，就提供了完备的AI设计方案，以求实现更好的PPA和更快的设计验收。据了解，新思的这些方案最近在台积电的N3E工艺上得到了验证，为高性能计算、AI和移动设备等计算密集负载提供了增强的功耗、性能和良率。

写在最后

其实一旦芯片设计进入AI辅助的时代，也对设计工程师们提出了相应的更高要求，因为不少低级设计问题已经被AI预测、优化和生成给解决了。设计工程师们需要在更高层级的设计上实现创新，比如系统/软件联合优化等等，这样自己才不会被“优化”掉。设计工程师们的专业技能，未来也会更加趋向于数据科学家需要掌握的技能，而数据科学家们也说不定会因此获得抢设计工程师饭碗的机会。

芯片工具验证发烧

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。