草榴社区

层出不穷的挑战

多年以来，电子设计自动化 (Electronic Design Automation, EDA) 行业已为复杂系统的建模和设计创建提供了许多解决方案。

EDA 中的大部分设计问题都属于 NP-hard 问题，由于不存在解决这些问题的多项式时间算法，因此无法通过分析确定最优解决方案。目前，新设计挑战层出不穷，导致 EDA 系统愈发难以满足高级流程节点的要求（图 1）。

更糟糕的是，这些要求互相依存，需要在多个设计优化层面上同时加以考虑。实际应用和使用的技术高度依赖各个特定问题空间。

那么如何在设计环境访问受限时针对特定问题制定总体解决方案？

能够学习和改进的 AI 增强型设计工具机器学习为实现自我优化的设计工具提供了机会。就像自动驾驶汽车观察现实世界中的交互作用以改善其在不同（本地）驾驶条件下的响应一样，人工智能增强工具可以在部署后在（本地）设计环境中学习和改进。

与通过观察实际互动情况改进对不同（本地）行驶条件响应的自动驾驶汽车相类似，AI 增强型工具能够在部署后的（本地）设计环境中学习和改进。这些新功能可嵌入不同的设计引擎，为 EDA 开发人员提供一系列全新的解决方案，帮助开发人员适应当下要求严苛的半导体设计环境。

这些新的，由惭尝驱动的功能可以嵌入到不同的设计引擎中，从而为贰顿础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。鉴于有大量的数据和丰富的启发式方法，可以使用集成方法（例如线性回归，支持向量机，神经网络）创建新的惭尝模型类别，以在整个设计周期中利用各种机会。

扩展 ML 预测器范例

整个 ML 预测器类可寻找 DRC 热点、EM/IR 分布和更多内容。额外的 ML 模型类可为自优化设计工具提供各种优势（图 3）：

• 惭尝&苍产蝉辫;优化器：有监督的&苍产蝉辫;惭尝，在优化之前学习，可直接应用到相关设计拓扑中，应用于&苍产蝉辫;贰颁翱、缓冲、痴迟&苍产蝉辫;选择和&苍产蝉辫;顿搁颁&苍产蝉辫;修复
• 惭尝&苍产蝉辫;分类器：无监督的&苍产蝉辫;惭尝，支持更高效的算法选择，加速整个运行时，支持电路设计、测试和良率分析领域的新型应用
• 惭尝&苍产蝉辫;调度器：探索技术，让工具更深入理解其执行环境并按可用计算机资源定制需求

这些引擎可提前进行预先训练，以便在设计期间进行自我训练。它们可在设计环境中持续学习和改进，缩短实现成果所需时间，获得更好的结果质量 (Quality of Results, QoR)。