机器学习能否提供针对EDA设计挑战的解决方案

机器学习，无处不在！

人工智能正在改变我们周围的世界，为全球经济各个领域的创新创造了一条途径。如今，人工智能可以通过自然语言与人类互动。识别银行欺诈并保护计算机网络；在城市街道上开车；并玩象棋和围棋之类的复杂游戏。机器学习正在为我们周围的许多复杂问题提供解决方案，在这些问题中，分析解决方案可能过于昂贵或实际上是不可能的。芯片设计怎么样？ML是否可以提供针对半导体工程中关键问题的解决方案？

大量的设计挑战

多年来，EDA行业在复杂系统的建模和设计创建中提供了许多解决方案。EDA中的大多数设计问题都是NP难题；根本没有多项式时间算法可以解决这些问题，因此无法通过分析确定最佳解决方案。由于大量新的设计挑战，当今的EDA系统发现很难满足先进的工艺节点要求（图1）。

更糟的是，这些要求是相互依存的，需要在多个设计优化平面上同时考虑。使用的实际应用程序和技术在很大程度上取决于每个特定的问题空间。在访问设计环境有限的情况下，如何为特定问题准备通用解决方案？

通过AI增强的设计工具，可以学习和改进

机器学习（ML）提供了启用自优化设计工具的机会。就像自动驾驶汽车观察现实世界的交互作用以改善其在不同（本地）驾驶条件下的响应一样，人工智能增强工具能够在部署后在（本地）设计环境中学习和改进。这些新功能可以嵌入到不同的设计引擎中，从而为EDA开发人员提供了适用于当今苛刻的半导体设计环境的新解决方案库。

示例：优化过程中的快速延迟预测

高级节点的复杂物理效果和铸造规则可能会影响设计趋同。存在多种用于信号完整性，波形传播，噪声等的建模功能，可以精确计算延迟。然而，这些功能在计算上是昂贵的，并且在预布线设计步骤期间需要谨慎使用。一个ML 滞后预估是可以训练捕捉之前到之后的路线定时设计发展的多个阶段的相关性，提供上游引擎更快的洞察复杂的下游效应，实现更好的决策的统计模型。延迟预测器改善了设计收敛性，并加速了设计向更好的PPA演进（图2）。

扩展ML Predictor范例

整个类别的ML预测器都可以查找DRC热点，EM / IR分布等等。其他类别的ML模型为自优化设计工具提供了多种好处（图3）：

- 机器学习优化器：受监督的机器学习了先前的优化动作并将其直接应用于相关的设计拓扑，并应用于ECO，缓冲，Vt选择和DRC修复

- ML量词：无监督 ML便于更有效的算法选择，加快整体运行时，同时，可电路设计，测试和良品率分析新的应用

- ML调度程序：勘探技术，可以让工具更好的执行环境和裁缝的了解他们的需求到可用的计算资源

这些引擎可以预先进行预训练，也可以在设计过程中进行自训练。他们在设计环境中不断学习和改进，以更快的速度获得更好的QoR。

Next：一个AI增强的设计平台

Synopsys 于2018年推出了业界首个AI增强工具（PrimeTIme ECO）。此后，我们一直稳定地在我们的设计平台中继续引入新的ML模型，从而能够改善QoR和更快的周转时间以解决棘手的设计问题。如今，在Synopsys AI增强工具中，在数字实现，电路仿真，测试，物理验证和签核等领域有许多ML模型，并计划在2020年发布更多模型。AI增强的Fusion设计平台：精心设计，自我优化的设计环境，它将超越单模型解决方案，并通过ML-Everywhere提供更好的整个设计环境的端到端QoR！

责任编辑：gt