295
半导体行业正在经历一个技术进步和创新浪潮的复兴时期。人工智能、5G、自动驾驶等新兴领域技术的不断发展给芯片设计带来全新的挑战：算力提升、功耗降低、周期加快等等。EDA 工具进入 2.0 时代，EDA 需要变得更加 AI 化，它能帮助客户设计达到最优化的 PPA 目标(性能、功耗、面积)，开发性能更高的终端产品，并进一步减少设计迭代，缩短设计周期，加快上市速度。最终，具备 AI 特性的 EDA 工具将助力客户设计出更好的芯片，并快速推向市场。
数字芯片设计 2.0 之融合技术
为了更好应对人工智能、5G、自动驾驶等新兴市场及芯片工艺的双重挑战，高层次或者说系统级设计是一座连接未来的桥梁。如果要把设计生产率提高几个数量级，那么提高抽象水平是至关重要的。因此，新思科技强调数字芯片设计技术的融合，通过融合同类最佳的优化功能以及行业经典 signoff 工具改善了 RTL 到 GDSII 设计流程，帮助开发者以业界最佳的全流程质量和最短的获得结果时间加速交付其下一代设计。
融合技术重新定义了 EDA 工具进入 2.0 时代，它在综合、布局布线以及 signoff 这些业界首要的数字设计工具间共享引擎，并使用了独特的数据模型表达逻辑及物理信息。此外，在数字芯片设计过程中，新思科技亦提供 ECO 、Signoff、Test 等融合技术，使得 RTL 到 GDSII 的设计实现流程具有最高的可预见性，同时能够以最少的设计迭代次数得到卓越的设计时序、功耗和面积结果。该技术基于共用的大规模并行及机器学习就绪的基础架构，使设计规则和设计意图在整个流程中有着一致的解读。
典型的 AI 芯片由数千个复制的处理器内核组成，具有高吞吐量、高能效和低延迟的特点。处理器内核是关键组件，对连接提出了极高的要求，这些要求很可能导致可布线性限制造成的拥堵。
融合技术也是设计 AI 芯片的首选，可提供最佳的功耗、性能、单位面积布线拥堵、良率和设计收敛。它配备了几种关键的针对人工智能的优化技术，包括数百个复制模块的 AI 芯片互连规划、MAC 拓扑优化、完整的 AI IP 参考流程、全流程时钟和数据并发优化、连线综合和逻辑重构。
数字设计迈进新纪元，融合技术也可以应用到 EDA 工具本身。每款工具从前到后需要经过多道工序，且每一个算法不是都往同一个方向去优化，比如有些算法是为了让芯片跑得更快，有些算法是让芯片变得更小，有些算法让芯片功耗更低。如果没有早期采用融合技术，后期的不确定性会变大。因此新思科技推出创新性的 RTL-to-GDSII 产品 Fusion Compiler™，来解决先进工艺节点设计的复杂性。
Fusion Compiler 通过把新型高容量综合技术与布局布线技术相结合，以更好地预测结果质量，来应对行业最先进设计所带来的挑战；并能够在 RTL-to-GDSII 流程中共享技术，从而形成一套高度收敛的系统，将 QoR 提升 20％，TTR 缩短 2 倍。同时 Fusion Compiler 提供的 RTL-to-GDSII 的单座舱（single-cockpit）解决方案，可实现高效率、灵活性和吞吐量，并可最大限度地提高性能、功耗和面积（PPA）。
应用实例
融合技术已被市场领先的半导体公司进行了充分验证，它能够提供包括通过三星 5LPE 工艺技术认证的最高质量的设计。
自 2012 年以来，人工智能处理能力的需求每 3.5 个月增长一倍。然而，随着处理能力、性能、功耗和延迟方面的需求不断增长，现有 CPU 和 GPU 处理器的能力逐渐达到极限。Graphcore 将融合技术成功应用于其 Colossus™智能处理单元 (IPU)，与现有 CPU 和 GPU 相比，加速了人工智能计算，增强了人工智能芯片设计能力（包括互连规划、乘积累加 (MAC) 拓扑优化和完整的 AI IP 参考流程）实现了最快速度、最小面积、最低功耗及三者的最佳平衡。
在汽车电子领域，瑞萨电子将融合技术部署于其高性能汽车芯片与任务关键型微控制器，并在广泛的验证过程中，为多个量产设计带来了最佳的时序和功耗、更小的面积以及更快的设计收敛速度，以此加速了市场采用下一代汽车设计。
结 语
半导体行业持续驱动着工艺沿摩尔定律发展，为 EDA 带来了日益增长的技术挑战。未来的芯片挑战来自于工艺、丰富的应用场景、整体设计规模以及成本。为了应对这些挑战，除了要把工具做得更好外，还需要积极探索 EDA 工具与 AI 和云技术的融合，让芯片开发者可以把研发的重点转移到如何创造出更有意义的芯片。
云计算＋EDA：云技术的应用主要有三大优点：快速部署可提高工程效率并加速项目完成；通过灵活的解决方案和大规模可扩展的云就绪工具实现无痛采用；经过验证的解决方案具有很好的安全性，被许多客户信赖和使用。
人工智能＋EDA：芯片敏捷设计是未来发展的一个主要方向，深度学习等算法能够提高 EDA 软件的自主程度，提高 IC 设计效率，缩短芯片研发周期。机器学习在 EDA 的应用可专门为芯片设计工程师提供仿真和验证工具的 EDA 细分行业是整个半导体行业生态链中最上游，最高端的节点。
因此，EDA 进入 2.0 时代：把 AI 引入 EDA 工具来支持大规模并行运算，实现云端部署 EDA，将是未来的趋势。
参考资料：
公众号王老先生的酒肆絮语 《EDA 技术发展的旧故事》一文，作者王志华
公众号芯思想《推动 IC 设计革命的七大 EDA 技术工具》一文，作者赵元闯
下载ECAD模型
