AI，加速EDA的发展

人工智能正在渗透整个半导体生态系统，迫使人工智能芯片、用于制造它们的设计工具以及用于确保它们可靠运行的方法发生根本性的变化。

这是一场全球性的竞赛，未来十年几乎每个领域都将重新定义。在过去几个月的演讲和采访中，EDA 的高层管理人员总结了三大趋势，这些趋势将成为可预见的未来关注的焦点：

• 人工智能本身正在从严格控制的机器学习扩展到人工智能助手、生成人工智能和代理人工智能。
• 这种转变需要处理海量数据，才能创建大型语言模型和算法。由于规模化的限制，它正在推动向多芯片组装的转变。最佳选择是3D-IC。
• 芯片和系统需要在其整个生命周期内进行监控，以确保可靠性。人工智能容易出现幻觉，而充满芯片的复杂系统可能会随着时间的推移以意想不到的方式性能下降，导致数据悄无声息地损坏、软件更新不兼容，以及工作负载变化导致的加速老化。

EDA 中 AI 的用例已经从简单的模式识别发展到辅助设计和广泛的知识共享，使初级工程师能够更快地上手，资深工程师能够扩展到新的领域并提高工作效率。

Synopsys总裁兼首席执行官 Sassine Ghazi 表示：“我们是这样描述的：你有一个副驾驶，你有‘辅助’，也有‘创意’。辅助指的是你有一个工作流助手、一个知识助手和一个调试助手，这样你就可以更快地培养初级工程师和专家工程师。他们可以以更现代化、更高效的方式与我们的产品交互。然后你就有了创意元素。我们有很多例子，从 RTL 生成、测试平台生成到测试断言，我们都有早期的客户参与，你可以有一个副驾驶来帮助你创建部分 RTL、测试平台文档和测试断言。”

Ghazi 表示，借助创新工具，各种任务的执行时间可以从几天缩短到几分钟。但所有这些都需要严格控制。“我们不能让模型产生幻觉，”他说道。“我们非常谨慎地考虑何时以及如何与客户互动，以确保我们提供的产品成熟度在可接受范围内，同时又不会危及他们工作流程的任何部分。随着人工智能的不断发展，工作流程也将随之演变。我们的投资者利益相关者经常问我，何时才能看到人工智能在 EDA 市场中带来变革。我认为，除非他们的工作流程发生改变，否则这种情况不会发生。这意味着你可以以截然不同的方式做某些事情，以便以更快、更有效、更高效的方式交付产品路线图。现在，随着代理人工智能时代的到来，代理工程师将与人类工程师合作，以应对这种复杂性并改变工作流程。”

如果人工智能能够兑现其承诺，这场变革的规模将不容小觑。但这一切发展如此之快，以至于它引发了许多目前尚无明确答案的问题。时间将告诉我们人工智能能够胜任哪些工作，哪些方面需要密切关注，以及风险在哪里。自20世纪50年代末以来，对人工智能变革能力的预测已被证明过于乐观。但在过去几年里，从ChatGPT的推出开始，人工智能似乎终于兑现了其承诺。代理人工智能（Agentic AI）将是下一个重要目标。

西门子数字工业软件首席执行官 Mike Ellow 表示：“如果我们足够自信地相信 AI 具有一定程度的自主性，它通常能够自行做出主动决策，那么代理 AI 是一个有趣的概念。在设计领域，当我们开始讨论代理 AI 与代理式 AI 时，这取决于你的谈话对象以及他们希望如何划分不同的术语。从我们的角度来看，对于代理 AI，我们会用一组边界条件定义一项任务，然后让 AI 在边界条件范围内运行以得出解决方案。而对于代理 AI，你基本上会说，‘这是问题所在。你思考执行它的最佳方法是什么。你想出了那个解决方案。然后你从 EDA 的角度推动实现期望的结果。’这就是我们看待 AI 演变为我们的工具的方式。”

采用率之高前所未有。在芯片设计领域，很难找到一个AI不发挥一定作用的领域，无论是直接的还是间接的。

是德科技 EDA 软件副总裁兼总经理 Niels Faché 表示：“这对我们行业来说是一场深刻的变革。在模拟领域和物理领域之间切换时，所有这些步骤都会生成数据，并需要收集洞察。这正是人工智能能够大显身手的地方。从模拟的角度看，它可以帮助我们建模，加快模拟速度，为产品增添更多专业知识，帮助设计团队，帮助设计师生成设计方案。人工智能非常强大，具有变革性。几年前，一位客户告诉我，‘我有一个设计团队，但他们花费大量时间处理你们的产品模拟。我希望他们是设计师，而不是模拟器。’产品设计团队不想学习模拟器的工作原理。他们不想花费大量时间设置模拟环境。他们只想思考需求，以及如何根据这些需求创建设计。这就是人工智能的力量。它能够真正帮助客户从产品设计思路转向他们真正想要做的事情。人工智能可以帮助你在印刷电路板上布线，或者设计新的拓扑结构。

Cadence 设计系统公司总裁兼首席执行官 Anirudh Devgan将人工智能比作 EDA 中三层蛋糕中的一层。“应用程序要想成功，必须具备所有三个部分，”他说道。“首先是人工智能代理和编排。其次是主要的模拟，有时人们会忘记它的重要性。它包括真实的晶体管行为、分子行为、流体动力学和热力学。这些是无可替代的。然后，你还需要计算来运行它。”

从计算的角度来看，人工智能似乎更像是一种进化，而非革命。“人工智能刚起步时，是一种密集计算，”Devgan说。但物理世界并不密集，人工智能也不密集。所有神经网络都并非密集。因此，由于设计和需求的复杂性，我们在所有这些算法上都进行了创新。然后，我们又会面临延迟、分区和层级结构的问题。你可以在顶层的移动抽象层中看到这些创新，也可以在底层的纯算法中看到这些创新。这些算法中有一半是布尔型的——零/一，例如逻辑仿真、形式验证——还有很多是数值型的，例如电路仿真、特性分析和热分析。布尔计算和数值计算都需要加速……但现在，有了人工智能，我们可以从自然语言和优化的角度，在软件领域实现更高层次的创新。人工智能非常擅长优化，这也是我们多年来一直致力于此的原因。我们有五大人工智能平台——数字、验证、定制、封装和系统分析。这些平台的成果确实非常惊人……人工智能可以彻底改变芯片设计，这就是我们在这五个平台上投入巨资的原因。”

EDA 供应商如何利用 AI 略有不同，取决于其起点。但 LLM 的优势之一是其能够涵盖不同的数据类型，从而提升整个流程的抽象级别。因此，起点并不像乍看起来那么重要。关键在于他们如何获取和利用数据，以及他们能在多大程度上将数据扩展到设计阶段之外——这在很大程度上取决于未来数据如何共享和保护，以及公司在哪里看到机会。

正如西门子的 Ellow 所解释的那样：“它以生成式人工智能领域为基础，因为这是第一层级，你可以从我们这里获得大量经过验证的数据源以及他们的客户数据。这些数据会进入数据湖，在那里你可以训练 LLM。我们可以使用各种 LLM，客户也可以使用他们自己的 LLM。然后，你可以将其嵌入到基础架构中，并在其基础上使用我们所有的工具。”

3D集成电路

人工智能需要大量数据，尤其是用于训练模型。问题在于，由于光罩限制，平面芯片无法快速高效地处理所有数据，因此许多数据中心采用某种多芯片组装技术（例如扇出式或 2.5D 技术），以提升性能并降低功耗（相比平面 SoC）。

但这些基本上只是渐进式的提升。要实现性能和功耗的大幅提升，需要真正的 3D-IC、混合键合和芯片阵列。

Ellow 表示：“2.5D 技术让硅片的结构更加灵活，使其更适应所运行的软件。当完全采用 3D-IC 时，你就能够在不同的芯片之间进行更离散的分区，并利用不同的工艺针对不同的功能进行优化，这为如何更好地适应软件工作负载提供了更多有趣的可能性。它旨在优化，但目前仍处于一个有点远大的目标。”

两个关键挑战是如何管理散热，以及如何确保不同层能够正确粘合在一起，从而使密集排列的互连线完美对齐。此外，3D-IC 中的一些芯片将采用最先进的工艺开发，而其他芯片则可能采用成熟的工艺开发，这使得问题更加复杂。

“客户已经在谈论将数万亿个晶体管集成到一个封装中，而他们的日程安排正在争分夺秒地将流片时间从18个月缩短到16个月、12个月甚至更短，以便为这些智能系统提供定制硅片，”Ghazi说道。“你该如何应对？单芯片技术的复杂性——我们说的是GAA，以埃为单位来设计硅片——然后你还要将它们集成到一个先进的封装中。”

这是扩展到数千亿甚至数万亿个晶体管的唯一方法，但将它们组合在一起将是一项工程壮举。“一旦你开始扩展到这种复杂程度，你就只能通过提高互连层的效率来实现所需的性能或功耗，”Ghazi 说。“而且芯片可能来自不同的工艺技术和不同的代工厂。如何验证和确认一个架构才能交付这种先进的封装？”

这也为以chiplet形式出现的软IP和硬IP打开了大门。“新的机遇层出不穷，尤其是在3D-IC和AI发展的情况下，因此我们正在加倍投资IP，”Devgan说道。“我们提供的IP数量和工艺节点数量都显著增加。IP现在是Cadence最大的研发团队之一，我们将继续投资，不仅在物理IP和接口IP方面，还将投资于被广泛用作嵌入式处理器的Tensilica。”

数字孪生

EDA 供应商敏锐地意识到 AI 系统的风险以及 3D-IC 架构中的未知因素。

“需要将设计和测试连接起来，并在从设计到测试的验证过程中引入数字化威胁，”Faché 说道。“现在有一些工具可以管理质量和可靠性。当然，数据管理和分析的需求也日益增长。所有这些工具都需要具备，客户需要从自主研发的工具转向商业工具。但这些工具也相互依存，因此需要一个中心辐射模型，让不同的工具能够对数据进行操作。数据会随着时间的推移而变化。它们可能会消耗数据，也可能会生成数据。IP 是在产品生命周期内开发的。因此，如果我们想要实现真正的数字化转型，我们需要一个基础架构，让客户能够做到这一点。数据管理过程至关重要。”

这个概念仍在不断发展，术语也同样如此。一些供应商称之为数字孪生，而另一些供应商则称之为虚拟孪生。但其基本概念是对系统进行实时监控，以确保其运行符合预期，并根据工作负载尽可能地进行优化，并在出现问题之前采取措施进行修复。

Devgan 表示：“市场对精确的数字孪生有着巨大的需求，尤其是在物理领域以及推动这一需求的相应硅片领域。”这就是我们投资数据中心数字孪生技术的原因——用于模拟整个数据中心。这是一款非传统产品，但它变得至关重要——应用计算流体力学 (CFD)、仿真和人工智能来优化数据中心。我们甚至在内部将其应用于我们自己的数据中心。关于数据中心，需要记住的是，它不仅仅是那些大型云计算公司。企业中有很多数据中心。当我们将它应用于我们自己的数据中心时，我们的电力效率提高了 10%，这意义重大，因为数据中心的设计中应用的科学知识并不多。芯片、机架和所有网络的设计都应用了大量的科学知识。但是，如何布局数据中心？使用了多少池化？它是过度冷却还是冷却不足？您是否定期维护它？这些维护不像芯片设计那样需要大量的科学知识。因此，一旦掌握了数据中心的数字化趋势，就可以进行更多优化。

这个概念很容易理解。尽管取得了一些早期的成功，离散数字孪生技术仍在发展中。“数字孪生尚未成为一个可商业化的系统，”Ellow说道。“它是一系列组件的集合。它包含了软件、半导体、封装和电路板等电子元件。此外，它还涉及电气效应，就像我们在Mentor时期所做的那样，我们拥有线束和网络连接等功能。此外，它还涉及机械部件，以及与之相关的更广泛的多物理场产品组合。然后，它还涉及产品生命周期管理，因为所有这些都必须通过物料清单来构建。一家公司能够提供所有这些独立领域的完整性，这让我们能够获得一些洞见。但当你将整个产品组合纳入制造流程模拟等环节时，仍然存在一些差距。如何将所有这些系统集成到最终产品的实际生产中？这其中有很多问题需要解决。”

我们正在取得进展，但这并非一劳永逸的万能解决方案。“作为一个行业，我们已经讨论这个问题有一段时间了，但考虑到实时模拟以及在系统层面进行分析和优化的复杂性，这一点至关重要，”Ghazi 表示，并指出数据中心和汽车等应用是这项技术的关键市场。“随着我们开始深入研究汽车和自动驾驶的复杂性，数字孪生需要同时模拟电子设备和周围环境。就汽车而言，我们必须与生态系统合作。他们还有其他部分需要与芯片虚拟化和电子系统相结合。”

举个例子：新思科技与汽车仿真技术制造商IPG的合作。“我们能够虚拟化和建模控制系统以及分区和计算ECU，使其能够相互通信，”Ghazi说道。“我们提供电子虚拟化，IPG则引入了周围的物理世界。在软件开发执行过程中，测试团队可以观察硅片在特定工作负载环境中的行为。这不仅适用于汽车。无人机、数据中心等都可以从虚拟化中受益。如果我们将其更贴近硅片，就会发现3D-IC或高级封装是一个精密复杂的系统，你需要考虑的不仅仅是电子设计。你可以说，在这种情况下，电子设计是可以理解的。但是，当你开始将芯片堆叠到这种高级封装中时，你将面临一系列其他挑战，包括热、机械、流体和结构。”

结论

人工智能革命已经开始。与所有新技术一样，消除其中的矛盾之处并发现问题需要整个科技生态系统多年的努力。

“挑战重重，”Faché说道。“首先，无论你是设计师、设计团队成员，还是工具提供商，你都必须精通人工智能。学习人工智能是一个全新的领域。这意味着我们需要真正理解工程生命周期的变化。这是对工程生命周期的根本性重新设计。他们需要了解在人工智能世界中模型是如何开发的。机器学习的运营工作流程是什么样的？构建模型需要成本。你需要拥有资源、流程和数据管理结构，才能实现这一点。最终，你需要对这些工具的有效性充满信心。这是一场人人都拥抱人工智能的竞赛。”