草榴社区

EDA 中有几个突出领域可以从 机器学习中受益——包括建模、寄生参数提取、布线和良率分析。然而，所有设计人员面临的一大挑战是满足重要的功耗、性能和面积 (PPA) 目标，这是应用基于 ML 的优化的理想潜在领域。由于需要更多功能、更高级的工艺、更多变化和其他操作方案，设计的复杂性在不断增大，导致设计收敛所需的工程变更单 (ECO) 流程变得更加数据密集且更为耗时。 随着工艺技术发展到 5nm 及以下规格，这一情况变得尤其具有挑战性。

时序一直是 ECO 周期的主要关注点，但要在高级节点上成功 signoff，功耗则已成为同等重要的标准。然而，时序和功耗优化是相互矛盾的挑战，例如，通过确定元件尺寸来减少延迟，就会增加动态和漏电功耗，反之亦然。在执行功耗优化时，设计人员通常使用减少悲观度的技术来提高精度，例如基于路径的分析 (PBA) 和参数化片上变异 (POCV)，并在“所有工作模式”中验证“所有工艺、电压和温度 (PVT) 角落”以实现理想的 PPA 结果，但代价是大量的运行时间。在较新的节点（例如 5nm）上，运行时问题会更加严重，会有更多的优化变量，包括更严格的间距规则、更多的库元件选项以覆盖广泛的性能/功耗范围，以及数百个用于全芯片 signoff 的操作方案。

面对围绕 ECO 功耗优化的一团乱麻时，机器学习是标准良方。常见的 ML 方法包括以下步骤：构建数据库，训练算法，创建模型并预测新输入数据的结果。在进行功耗优化时，机器学习就是从 ECO 观察数据中学习并快速准确地预测功耗恢复选择，无需进行代价高昂的计算。例如，从具有不同时序的 200 个具有不同时序、功耗和其他复杂特性的候选库元件中挑选最佳替换元件。

虽然通过在设计类型和工艺节点之间收集大量数据改善模型结果听起来很有吸引力，但是不容易也可能达不到理想的结果质量 (QoR)。大多数设计决定只有在设计架构和版本的空间或时间都很接近的环境下才存在相关性；因此，基于不相关设计点的训练数据可能无法提高 QoR。另一种实用的 ML 方法是“主动学习”，它与动态优化引擎交互，根据本地设计数据构建相关的学习模型。这大大简化了实现 signoff PPA 的优化路径，缩短了周转时间，减少了资源开销，为人们采用它提供了强大的动力。

新思科技PrimeTime 套件被公认为时序和电源 ECO 和 signoff 的标准。套件通过广泛的应用设计和工艺节点提供广泛的使用体验，使其能够更有效地解决设计收敛中不断增长的 PPA 挑战，同时提供先进的工作效率和资源效率技术，包括机器学习。

机器学习令人兴奋自有其合理之处。它显然有可能为 EDA 和设计带来重大价值，特别是对于耗时的 ECO 优化步骤，能够提高工作效率并实现目标 PPA。一个主动的 机器学习方法提供了一种有效的实用方法，使设计人员能够轻松地将该技术融入其设计流程，并以更智能的方式重获优势。