AI技术在新一代EDA产品中重要的着力点

新一代EDA产品通过应用AI技术优化客户体验、提升效能是全自动芯片设计迭代的一个重要方向。目前AI技术在EDA产品中得到广泛研究应用，涵盖了芯片形成的几乎所有阶段，包括设计空间的缩减和探索、验证、逻辑综合、布局、布线、测试、制造等。

伴随深度学习为代表的新一代机器学习算法的出现，再加上云计算以及GPU、TPU等新型资源可以提供前所未有的算力，机器学习在很多行业高速发展。当前EDA领域研究中广泛应用的机器学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、深度增强学习（DRL）和图神经网络（GNN）。CNN适用于在2D图像中网格结构数据的特征提取，RNN擅长处理诸如文本或音频之类的顺序数据，GAN训练一个生成网络和一个判别网络相互竞争从而最终生成高质量的假样品，DRL是一类将深度学习纳入强化学习范式的算法，能在具有较大决策空间的复杂任务中取得很好的成绩。

对EDA产品进行AI赋能的应用方向最主要集中在四个方向：芯片实现决策、性能预测、性能黑盒优化和自动化设计。AI在EDA中的机会始于传统方法的决策不足，训练AI模型从可用的工具箱中选择合适的算法、参数或超参数，可以很好地取代专家经验以克服暴力搜索。AI模型也被广泛用于芯片性能预测，从先前已经完成的设计中训练模型以预测新设计的性能指标，帮助工程师评估新设计而无需耗时的综合及物理实现程序。自动化程度更高的EDA工具利用黑盒优化来帮助提升性能和效率，Deep Learning最新进展学习（DL），尤其是强化学习（RL）技术激发的几项研究以极大的设计空间完全自动化一些复杂的设计任务，其中预测变量并以在线形式学习、执行和调整政策，显示了人工智能（AI）辅助的自动化设计值得期待的未来。

在数字实现EDA环节，有许多关键的子问题可以得益于丰富的AI模型算法，包括提升Floorplan的效率和质量、通过机器学习解决 EM-IR 和 Timing 之间的相互影响来优化PPA、路径分类、congestion位置预测等。针对不同的任务采用相适应的模型算法是目前比较通行的做法，比如通过CNN、GAN、MARS可以训练布线前的拥塞估计模型；通过NN、GraphSAGE和GraphAttention训练串扰预测模型，可以修改布局结果提前减少串扰；在布局布线环节，通过Edge-GNN（基于边缘图神经网络），将网表节点类型和连通性的信息提取到低维向量表示中，通过回归监督训练出来的模型会大幅提升自动化设计的时间效率，PPA性能可以媲美甚至超越经验丰富的工程师。

尽管AI技术在EDA的应用中已经有一些成绩并具有广阔的前景，但是在工程实践中仍然存在着诸多问题，列举几个常见的问题点：

1. AI模型的数据来源。在AI训练中，越广泛的数据来源意味着越稳定和强大的模型。目前还缺乏有效手段自动产生不同设计阶段的各种训练数据，对错误数据及其对模型造成的干扰还需要更好的方法进行处理。

2. 模型的泛化能力。因为设计数据不同而受到影响，不同设计的数据会有各式各样的差别，这样基于一批设计样本训练产生的模型，在其他设计中由于数据并不一样，模型的效果就会受到影响。甚至对同一个设计，当设计发生某些改变之后，模型准度也无法有效保证。

3. 传统EDA工具多为单机软件，在很大程度上制约了应用超强算力（如cloud、GPU等）来提升AI模型的复杂度和精准度，并且制约了模型训练及推理的速度。

如何解决上述这些问题，将成为AI技术在新一代EDA产品中重要的着力点。芯行纪致力于打造新一代的智能数字实现EDA产品，也希望和业界同仁一起努力将AI技术深入应用到EDA的各个环节中。AI赋能的EDA产品一定能大幅度提升芯片设计效率，也必将加速半导体全产业链的升级。

责任编辑：haq