新一代EDA產品通過應用AI技術優化客戶體驗、提升效能是全自動芯片設計迭代的一個重要方向。目前AI技術在EDA產品中得到廣泛研究應用，涵蓋了芯片形成的幾乎所有階段，包括設計空間的縮減和探索、驗證、邏輯綜合、布局、布線、測試、制造等。

伴隨深度學習為代表的新一代機器學習算法的出現，再加上云計算以及GPU、TPU等新型資源可以提供前所未有的算力，機器學習在很多行業高速發展。當前EDA領域研究中廣泛應用的機器學習模型包括卷積神經網絡（CNN）、循環神經網絡（RNN）、生成對抗網絡（GAN）、深度增強學習（DRL）和圖神經網絡（GNN）。CNN適用于在2D圖像中網格結構數據的特征提取，RNN擅長處理諸如文本或音頻之類的順序數據，GAN訓練一個生成網絡和一個判別網絡相互競爭從而最終生成高質量的假樣品，DRL是一類將深度學習納入強化學習范式的算法，能在具有較大決策空間的復雜任務中取得很好的成績。

對EDA產品進行AI賦能的應用方向最主要集中在四個方向：芯片實現決策、性能預測、性能黑盒優化和自動化設計。AI在EDA中的機會始于傳統方法的決策不足，訓練AI模型從可用的工具箱中選擇合適的算法、參數或超參數，可以很好地取代專家經驗以克服暴力搜索。AI模型也被廣泛用于芯片性能預測，從先前已經完成的設計中訓練模型以預測新設計的性能指標，幫助工程師評估新設計而無需耗時的綜合及物理實現程序。自動化程度更高的EDA工具利用黑盒優化來幫助提升性能和效率，Deep Learning最新進展學習（DL），尤其是強化學習（RL）技術激發的幾項研究以極大的設計空間完全自動化一些復雜的設計任務，其中預測變量并以在線形式學習、執行和調整政策，顯示了人工智能（AI）輔助的自動化設計值得期待的未來。

在數字實現EDA環節，有許多關鍵的子問題可以得益于豐富的AI模型算法，包括提升Floorplan的效率和質量、通過機器學習解決 EM-IR 和 Timing 之間的相互影響來優化PPA、路徑分類、congestion位置預測等。針對不同的任務采用相適應的模型算法是目前比較通行的做法，比如通過CNN、GAN、MARS可以訓練布線前的擁塞估計模型；通過NN、GraphSAGE和GraphAttention訓練串擾預測模型，可以修改布局結果提前減少串擾；在布局布線環節，通過Edge-GNN（基于邊緣圖神經網絡），將網表節點類型和連通性的信息提取到低維向量表示中，通過回歸監督訓練出來的模型會大幅提升自動化設計的時間效率，PPA性能可以媲美甚至超越經驗豐富的工程師。

盡管AI技術在EDA的應用中已經有一些成績并具有廣闊的前景，但是在工程實踐中仍然存在著諸多問題，列舉幾個常見的問題點：

1. AI模型的數據來源。在AI訓練中，越廣泛的數據來源意味著越穩定和強大的模型。目前還缺乏有效手段自動產生不同設計階段的各種訓練數據，對錯誤數據及其對模型造成的干擾還需要更好的方法進行處理。

2. 模型的泛化能力。因為設計數據不同而受到影響，不同設計的數據會有各式各樣的差別，這樣基于一批設計樣本訓練產生的模型，在其他設計中由于數據并不一樣，模型的效果就會受到影響。甚至對同一個設計，當設計發生某些改變之后，模型準度也無法有效保證。

3. 傳統EDA工具多為單機軟件，在很大程度上制約了應用超強算力（如cloud、GPU等）來提升AI模型的復雜度和精準度，并且制約了模型訓練及推理的速度。

如何解決上述這些問題，將成為AI技術在新一代EDA產品中重要的著力點。芯行紀致力于打造新一代的智能數字實現EDA產品，也希望和業界同仁一起努力將AI技術深入應用到EDA的各個環節中。AI賦能的EDA產品一定能大幅度提升芯片設計效率，也必將加速半導體全產業鏈的升級。

責任編輯：haq