促使EDA行业高速增长的原因分析

2019年第一季度，EDA行业营收额达到26亿美元，使其成为EDA历史上营收最为强劲的季度之一。系统设计、IP、人工智能，行业高速增长的秘密是什么？

根据电子系统设计（ESD）联盟的数据显示，2019年第一季度EDA行业营收额达到26亿美元，较去年同期增长了16.3%。EDA销售额的四个季度移动平均值（相比最近4个季度以及之前的4个季度）增加了6.1%，这也让2019年第一季度成为EDA历史上营收最为强劲的季度之一。

这一数据让许多人跌破眼镜，包括Mentor荣誉CEO兼ESD联盟董事会成员Wally Rhines。他稍早前在接受《EE TImes》采访时表示，如今不仅是几家备受关注的系统与云计算大厂开始设计自家芯片，同时还有越来越多的系统设计人员也开始使用EDA工具进行系统级设计，使得购买EDA公司的数量越来越多。

人工智能对EDA行业的影响

推动EDA行业增长的，除了系统级设计之外，人工智能的影响也不可忽视。

“人工智能正在为半导体产业开启数十年以来的最佳商机，很可能成为推动半导体行业进入下一个十年增长周期的催化剂。”Mentor IC EDA执行副总裁 Joseph Sawicki援引麦肯锡咨询和普华永道的调研报告称，过去无论是PC还是智能手机时代，机遇持续的时间并没有这么长久。对半导体行业来说，即便是最火热的移动时代，也只提供了价值20%的产值。而在人工智能时代，半导体公司将从技术堆栈（Technology Stack）上获得50%左右的产值。

给人工智能领域带来全新发展机遇的要素，一方面源自车联网、智慧城市、物联网及工业物联网等领域正在将生成的海量数据源源不断的传送到云端，这一趋势极大改变了现有的数据中心架构；除了数据中心聚合之外，另一重要趋势是大量的机器学习及人工智能设备和运算被部署在边缘侧，以加速数据处理及响应过程。数据显示，2016-2021年，边缘计算年复合增长率将高达190%，增速显著超越云端。

资本的走向也验证了这一趋势。2012-2019七年间，风险投资机构的资金走向主要集中在机器学习和人工智能领域，共获得19.06亿美元，其次为加密货币5.09亿美元，高速通讯/5G 4.77亿美元。

Alphabet公司董事长John Hennessy曾提出，摩尔定律的终结，以及更高速通用计算的到来，标志着新的黄金时代已开启。因此，无论是以软件为中心，还是以硬件为中心的传统思想都存在局限，特定域语言和架构则更有希望。

Sawicki对此表示赞同，并认为特定域（domain-specific）架构将是实现下一波增长的关键动力。他列举了一些特定领域的AI/深度学习控制器，其中，45款面向视力/面部识别，38款面向数据中心/云AI/HPC，36款面向边缘计算，26款面向自动/辅助驾驶，14款面向深度学习训练，分列1-5位。值得一提的是，尽管GPU目前仍然是IC收入中最大的部分，但ASIC芯片的市场增速是最快的。

连接AI与和芯片设计的桥梁

 

他把HLS比喻为“连接AI原生环境和芯片设计的桥梁”，可以借此帮助客户更好地设计架构、管理内存分配和神经网络的宽度与纵深，以及决定在芯片内部放置多少流水线等等，只有管理好这些要素，才能为垂直应用提供经过优化的IC软件体验。

而一旦设计方法论发生转变，那么验证方法学也需要随之改变。传统集成电路的验证方法就是测试规则、架构和规范，而在AI时代，面临更多的是垂直应用，验证通常发生在应用层面。这就需要通过相关技术仿真出一个虚拟AI引擎，然后把算法数据推送到硬件仿真系统中的AI引擎上去执行代码处理和最终应用，以便获得整体的性能、功耗以及数据。这样，在芯片尚未开发之时就能及早掌握整个系统的性能表现。

包括C/C++/System C HLS、HLS验证以及低功耗HLS三大产品线在内的Catapult HLS工具箱是Mentor面向HLS方法学推出的新产品。在此前的采访中Mentor方面就曾表示，AI/机器学习需要进入下一步抽象和功耗分析，HLS结果并不比手动编写的RTL差，甚至更强，时间更快（能够缩短4倍）。此外，HLS易于重映射多种技术，例如可以针对各种技术重映射相同C代码，轻松切换工艺，快速探索可行的替代技术并确定最优实现。而根据NVIDIA的反馈，在采用Catapult HLS工具后，Tegra X1芯片的验证效率提高了50%，验证成本降低了80%。

考虑到将AI引入EDA已是大势所趋，目前，无论是在Pattern分析还是深度数据分析中，Mentor正在广泛利用人工智能和机器学习，加速新产品和新技术的开发。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。

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。

来自名为PAVE 360新方案的一个运行结果。通过Mentor AI引擎让自动驾驶车辆在虚拟环境中进行驾驶，然后将虚拟数据与左图中西门子驾驶安全辅助设计测试软件SimcenterPrescan和右图中西门子机电一体化系统仿真平台Simcentor Amesim相连接，通过交互实现电子系统和机械系统一体化的仿真验证过程。

这套系统对芯片厂商、OEM和TIer one厂商以及整车厂而言都是极具价值的。这意味着验证测试人员不再需要开车几千公里去验证车辆的动力总成、底盘、乃至真实的道路环境，所有的一切在芯片、汽车、道路建成之前就会得到精确预测，极大提升了设计和制造的效率。

这一案例就是数字孪生（Digital Twin）技术的真正落地。其实西门子在并购Mentor之后，“还收购了很多与EDA相关的企业”，包括针对低频设备的电磁和热分析软件开发商Infolytica、加强集成电路测试的方案提供商Sarokal、基于机器学习和变量认知设计特征软件开发商Solido、线束线缆分析设计公司Comsa、以及针对IC硬件随机故障检测的安全分析/自动校正和仿真工具开发商Austemper，用以加强Mentor在EDA 4.0设计和验证工具的功能和性能。

“EDA 4.0”是Mentor中国区总经理凌琳在ASPENCORE举办的“2019年中国IC领袖峰会”上首次提出的概念。与之相对应的是，在EDA 1.0时代，基本都还是最原始的门级电路设计方法学；而到了EDA 2.0时代，开始引入RTL设计方法学，包括Cadence、Synopsys等公司相继诞生；在EDA 3.0时代，设计输入进一步提高了抽象层次，引入了基于IP复用的SoC设计方法学，一些EDA公司开始并购IP厂商，同时ARM等独立IP厂商迅速壮大。

随着自动驾驶、物联网、云计算平台和智能家居等应用场景都需要从IC到系统的完整方案，而特定域架构的AI加速芯片可以满足定制化要求。传统的EDA门级、RTL甚至IP级设计都无法满足这种芯片设计的综合、仿真和验证要求。Mentor因此提出了EDA 4.0的概念，即通过3D IC和SiP等新的芯片制造技术、ECAD/MCAD协同设计，以及虚拟/物理数字孪生系统设计等来实现AI系统、大数据分析和云计算应用。
       责任编辑:tzh