ameya360分享：放心交给AI解决的芯片设计痛点

　　尽管制造工艺的推进速度已经放缓，芯片设计的复杂程度依然丝毫不减，对于芯片设计者来说，在这样一个AI驱动的时代下，如果不能将AI为自己所用，无疑会让自己乃至整个设计项目的效率停滞不前。虽说大家都已经察觉到AI开始渗透进EDA工具中，那么现阶段的AI，究竟能解决哪些设计上的挑战呢？

　　验证是芯片设计中最大的挑战之一，我们已经见识过了价格高昂的专用验证硬件，以及验证上云的潮流，这些都足以说明验证是芯片设计中一个多么耗费资源的过程，这里指代的也不仅仅是硬件计算资源，还有时间资源。验证所耗时间甚至可能高过其他流程，这些年诸多芯片开发团队中的验证工程师人数也在逐渐增长，增速甚至已经超过了设计工程师，然而业内却很少有人去优化验证这个流程。

　　AI的出现终于让这个缺口出现了松动，不少厂商都开始利用AI去优化验证这一流程，比如通过覆盖率预测和激励优化来加速覆盖率达标。Cadence也在今年发布了Verisium AI驱动验证平台，根据Cadence的说法，Verisium的出现意味着SoC验证从单运行单引擎算法，转向了由AI和大数据辅助的多运行多引擎算法，从而减少了调试周转时间、提高了调试效率，还会自动对失败测试案例分类，减少人为分析的工作量。

　　相对数字IC设计来说，模拟IC的设计显然在自动化程度上还是差了不少的。在数字电路的设计过程中，整个流程的自由度是在逐级降低的。模拟电路设计虽然也是如此，但其下降幅度还是不比数字电路设计的，尤其是在布局布线和验证上，所以自动化一直没有提上日程，现阶段大部分模拟电路设计主要还是取决于设计者本身的直觉、技能和经验。

　　有了AI的帮助后，EDA工具在大量数据的训练下给出了先进的机器学习算法，使得模拟电路的布局布线有了更高效的自动化流程，尤其是在约束提取和生成，布局优化上，模拟电路的优化和生成及仿真验证也可以在AI驱动下获得提速。如此一来，每个模拟电路设计的迭代数量会进一步减少，芯片的上市周期也随之缩短。

　　近几年流行起来的UCIe、Chiplet、3D封装等，其实都是一个系统集成的概念。以此引入的设计与制造优化方案也受到了持续关注，比如DTCO等。如何集成更多的晶体管、更多的内存以及逻辑 内存集成，还有最后软件联合硬件的热管理等，都是系统集成需要考虑的问题。