EDA怎么实现并行化

EDA（Electronic Design AutomaTIon电子设计自动化）之所以存在，是因为半导体公司觉得开发和维护工具的成本太昂贵，不过如果EDA想要继续好好生存下去，就得努力成为创新周期的一部分了。

为什么机器学习（machine learning）想要在EDA中产生影响仍然需要很长时间？与该领域的专家交谈时，了解到一个事实，硬件设计与机器学习应用有非常大的不同。Brian Bailey, 作为一位超过35年工作经验的EDA工具开发人员告诉我们，如今EDA公司面临的一个巨大挑战仍然是要去加速仿真。许多公司已经在该领域投入了大量资金，带给用户和投资者的却往往是令人失望的结果。其中的问题在于设计中的随机性活动。

Brian Bailey曾经参与到第一个RTL仿真器 – Hilo的开发。作为一名年轻的大学毕业生，他的一项任务是将Hilo移植到当时所存在的大量计算机结构中。大型主机，小型计算机，早期的CDA工作站，他们使用的处理器和 *** 作系统都是不同的。移植的第一步会涉及到发送给制造商的调查问卷，根据调查问卷里的答案，可以知道怎样写源代码可以使移植更容易一些，同时也会知道这样的移植大概会表现得怎么样。Hilo通常会成为缓存结构来处理大量内存的随机访问。

随机（Random）是一个关键词。Brian Bailey经常会去想，仿真器的数据结构是什么时候建立的，内存是否可以更像交通流量一样在设计中被组织起来。他认为这是值得去努力的，有人会做到这一点。

但并非所有EDA中的数据都是非结构化的。跟踪数据（trace data）是功能验证和调试所必需的，它是非常结构化的。之所以这么说，是因为它基于时间，很多都是规则的。事实上，在Brian Bailey开始去构建现在被称为机器学习系统的近30年之后，他才有了一个想法，可以在多次运行中查看大量的跟踪数据，并查找测试向量和测试向量中的异常情况。虽然如今的系统获得了一定的成功，但它们在处理过程中的功耗实在是太大了，在以前他们仅限于用在单处理器结构上可能并不觉得。

EDA一直在寻找方法，希望可以完全捕捉到并行的处理过程，进展却很缓慢。很大程度是因为随机化的问题，Brain Bailey认为还有一个很重要的原因是EDA的生存空间正在被压缩。Mentor的CEO，Wally Rhines，在很多贸易展会上也提到过，EDA在半导体销售额中的比例一直比较稳定，但如今的EDA公司需要将没有增加的钱投资到比以前更多的领域，每一项新技术的开发对EDA公司而言都是巨大的投资。此外，EDA公司还在追求一些方面，比如在抽象级上的提升，去涵盖更大的系统视图，以及一些必要的容量增加。

想要实现并行化（ParallelizaTIon）通常是很难的。ANSYS公司的PreeTI Gupta这样给我们解释，如果去做字典搜索（dicTIonary search），想要在字典中找到Brian这个名字，可以将字典分成500个部分，将它们分别发放到500个不同的机器中，将获得的500个答案汇总到一起看。这样做是很盲目没有准确性的，因为你得到的每一个答案都跟其他的答案是无关的。当我们考虑EDA的问题时，却往往环环相扣，任何一环的输出都会影响另一环的输入。这里就出现我们最大的挑战了，如何将这种高度关联的问题进行空间并行化。

Brian Bailey也认为这是一个非常大的挑战，不过已经有很多数据表明，可以用机器学习和大数据去解决这个问题。通过行业标准工具可以使用的形式，提供对所有数据的访问，这也意味着会将权利交给用户，这会令EDA公司感到有些恐惧，因为他们会失去一定程度的控制权。更有可能发生的情况是，用户开始这样去做了，却发现跟以前一样，对他们自己而言这样的投资是不合算的，他们会要求EDA公司去接管他们的工作并将其商业化。

这其实是一个循环，但它有一个前提是，让用户能够自己寻找新的解决方案。EDA公司必须公开他们的数据并且相信他们的客户，这样半导体公司也可以成为EDA创新周期的一部分了。