EDA的全稱是電子設計自動化（Electronic Design Automation），但其現在只能算是一種半自動化的工具，大量的工作還需要人工來操作。只有當AI技術開始融入之後，EDA工具才開始真正走向了自動化之路。
AI已無處不在
有報道指出，三星近期正與新思科技合作，將AI技術融入到晶片的設計中。據三星電子執行總裁Jaehong Park表示，透過AI技術找到了一個系統化的最優解決方案，超越了此前可以達到的晶片PPA（功率、效能和麵積）效果。
將AI用於晶片設計已經不是頭一回了，谷歌就已將AI用在了TPU晶片的設計中，英偉達也正在用AI演算法來最佳化5nm和3nm晶片的設計，還有越來越多的晶片公司也將步其後塵。從下圖就可以看出，AI的應用已經深入整個IC產業鏈。
圖 從晶片設計到生產，使用AI最多的5個領域（資料來源：Gartner）
最為積極的還是EDA公司，畢竟AI將是改寫行業發展程序的大事件。近兩年來，採用AI技術的EDA方案更是層出不窮。比如，新思科技推出了DSO。ai，探索搜尋空間、觀察設計隨時間的演變情況，同時調整設計選擇、技術引數和工作流程。Cadence釋出了Cerebrus，採用了類似用合成技術取代原理圖人工繪製的方法，打破晶片設計必須依靠人力的侷限。西門子EDA（Mentor）則在OPC矯正中引入了機器學習方法，大幅提升了輸出預測精度並縮短了預測時間。
資料快速提取模型、佈局和佈線、電路模擬模型、PPA的最佳化決策都是EDA運用AI的方向。其中，晶片設計後端（或稱物理實現）尤其是佈局佈線則是AI使用的密集區域。
對於這種現象，行業專家陳春章博士認為，後端與邏輯器件的物理形狀及擺放緊密相關，因此是利用機器學習對影象圖形識別的最好場所。
“物理實現被簡稱為後端，後端工作可被簡化為佈局佈線，均與演算法及自動化相關，也是最耗時的，因此被選為主攻物件，還有DFM也與圖形填充相關，ML（深度學習）也做了很多。”他進一步解釋。
芯華章在其《EDA2。0白皮書》中就表示，晶片驗證的過程是提出約束條件，利用動態模擬和靜態分析的方法，達到功能、覆蓋率、等價性、功耗、工藝要求等驗證目的，這也是晶片設計流程中最耗時間和需要人力經驗的部分。
工程師在進行佈局佈線時，往往面對數量龐大的網表圖節點、網表圖放置的網格粒度，需要數週的迭代才能找到滿足多項設計標準的解決方案。加之要綜合考慮 （PPA），還需注意密度和佈線擁塞等方面的限制，也許只有AI能把工程師從繁雜的工作中解放出來。
“Cerebrus這類EDA工具對於剛畢業的學生或比較缺乏經驗的新手幫助巨大，讓他們可以很快地解決在晶片設計中要面對的問題。”Cadence公司數字與籤核事業部產品工程資深群總監劉淼談到了EDA工具的實際意義。
從工程學角度看晶片設計，就是利用引數去實現目標，基本的方法是建立引數和目標之間的聯絡網路，使用深度學習則會提高網路的效率。一位行業資深人士告訴集微網，“在不太涉及實際物理規律的應用比如版圖佈局佈線中，非常適合採用機器學習的方法。”
匯入機器學習的還不止佈局工具，佈局完成之後的模擬與分析流程中也出現了機器學習的應用例項，那些採用最先進製程、電晶體數目已達幾十億個的巨型SoC，在設計模擬與分析的過程中，更適合採用機器學習。
劉淼分享了一個案例：“車規晶片最重要的是不能失效，否則將引出重大安全問題，在幫助瑞薩設計車規晶片時，我們用Cerebrus來測試流程，當時有400萬種可能的流程，Cerebrus只跑了80個就實現了定位，給這一晶片帶來了10%的效能提升。”
在晶片開發過程中，AI可以發揮的環節相當多，不過其終究是一項工具，使用者必須先釐清什麼問題最適合用ML或深度學習（DL）來解決，後面才能逐步展開，進行訓練資料蒐集、發展模型等工作。正如陳春章所言，做ML應該首先理解目前EDA的方法，其次要了解工程和晶片。
挑戰和應對
國外一位從事機器學習的教授指出，機器學習方法能夠從多種工具的頂層提取資料來做整體的分析。他表示，解決整個資料庫的問題不是單純地讀取其他工具的輸出，而是做資料聚合和資料探勘之後，當最終得到所有這些工具的統計結果時，它所描繪的是一種非常宏觀圖景。“就洞察力而言，機器學習獨一無二。”這位教授總結道。
這麼強大的工具要發揮作用，需要龐大的資料來“餵飽”它。每個晶片設計專案均會生成眾多的資料，其中包含著該設計的演變，展示了工程師為實現目標所做的工作。這些用人工很難分析的資料正好是機器學習最好的訓練材料。
現在的難點在於這些資料的獲取。集微諮詢高階分析師陳躍楠認為，晶片資料訓練的成本較高，特別是對資料的可靠性要求很高，因此獲取資料的成本也很大。
資料對於各家晶片公司都是最寶貴的財富，不可能輕易貢獻給EDA公司來做資料訓練。不過，EDA公司也有自己的辦法。劉淼就表示：“跟晶片廠商去合作，拿他們的資料去最佳化我們的工具是不可能的，但是可以跟產業的其他環節合作，比如與臺積電這樣的晶圓廠合作，工藝線是需要調的，我們可以用這些資料來最佳化模型。”這種合作模式也是雙贏的局面，EDA公司得到了資料，晶圓廠的工藝流程得到了打磨。
然則有了資料之後，對於AI在EDA中的使用，很多人還是有顧慮的。最大的擔心就是設計工程師的飯碗不保。
這種擔心也不無道理。將AI融入EDA方法學中，機器就可以觀察和收集到所有工程師的經驗，透過不間斷學習來變得越來越穩定，逐漸擺脫對人的經驗的依賴。
很多業內人士不認為情況會這麼嚴重，因為要實現高品質的IC設計，人還是最關鍵的因素。在沒有AI的狀況下，EDA工具可以使得工程師的生產力提高，但是增加了AI之後，EDA工具可以做得更好。在架構設計、系統綜合等層面，工程師還可以發揮更多的聰明才智。
劉淼就表示：“EDA中使用AI是為了完成80%的重複性工作，還有20%更加有價值的工作依然要靠人力去完成的，引入AI最終還是為了釋放設計者的創作力。”（校對|艾檬）
