Elias Fallon是行業(yè)領先的電子設計自動化技術提供商Cadence Design Systems公司的工程主管。他帶領其定制IC研發(fā)團隊以及電子設計自動化(EDA)產品團隊進行項目開發(fā)。

[[353846]]

對于負責將機器學習和深度學習技術應用在計算軟件的EDA研究項目的Elias Fallon來說，他對電子設計行業(yè)的未來發(fā)展有著獨特的見解。

他指出，半導體芯片及其周邊系統(tǒng)設計的下一個飛躍將來自EDA計算軟件工具流程的融合，以及更大規(guī)模的機器學習/深度學習(DL)技術和多核計算的應用。當前的人工智能和機器學習創(chuàng)新浪潮始于GPU計算能力的提高，以及設計工程師開發(fā)加快深度神經網絡訓練的方法。機器學習/深度學習將在下一代平臺的設計中發(fā)揮關鍵作用，從而使新興技術(包括5G、超大規(guī)模計算等技術)得以廣泛應用。

對于Fallon來說，其樂趣在于解決在設計和驗證過程的每個階段存在的一些非確定性多項式(NP)難題和完整性問題。Fallon與其團隊開發(fā)了設計工程師用來設計、仿真和驗證集成電路、封裝、電路板和系統(tǒng)的軟件。他們面臨的設計挑戰(zhàn)既棘手又復雜，以至于沒有在一定時間內找到最佳解決方案的方法。從定義上看，面臨的驗證挑戰(zhàn)是從來沒有遇到過的問題。Fallon和其團隊開發(fā)了各種各樣的復雜算法和軟件來提供最佳的解決方案，這些創(chuàng)新為客戶推動了設計生產率的提高。

數(shù)值求解器、布爾可滿足性求解器、自適應網格劃分、計算幾何以及迭代改進優(yōu)化算法都是計算軟件的例子。計算軟件算法要求EDA軟件工程師確定如何將算法最佳地應用于當前的設計挑戰(zhàn)，以及如何以設計術語向用戶呈現(xiàn)各種元參數(shù)、控件和命令。下一代設計的趨勢是在系統(tǒng)設計和驗證中增加復雜性，這將需要EDA工具箱中新增計算軟件“工具”， 以實現(xiàn)設計生產力的飛躍。

過去六個月來，在家遠程工作的人們受益于云計算、芯片優(yōu)化和互聯(lián)網的進步。而在電子行業(yè)的一個良性反饋循環(huán)中，計算軟件為電子設計提供幫助，而設計團隊也將從未來創(chuàng)新中受益。5G、超大規(guī)模計算和其他技術驅動力需要在芯片、封裝、電路板和系統(tǒng)設計方面進行大量的創(chuàng)新，以創(chuàng)造出電子技術在未來發(fā)展的各種可能性。通過示例學習的機器學習功能是一種新的計算軟件工具，它為設計師的下一輪創(chuàng)新奠定了基礎。

計算軟件已在生產率提高和解決電子系統(tǒng)設計的復雜性挑戰(zhàn)方面實現(xiàn)了巨大的增長。當Cadence公司的解決方案解決了上一代挑戰(zhàn)時，面臨下一代的設計更加復雜。系統(tǒng)復雜性的不斷增長也帶來設計和驗證流程的復雜性。這種復雜性已經成為流程不斷變化以采用新的最佳實踐或自動化的障礙。復雜流程中的每個工具或步驟(添加新的選項、命令和功能)都需要用戶理解、評估并檢查其在整體流程中的適應性，然后才能采用。具備部署機器學習的能力，可以通過示例向用戶學習設計實踐，并允許EDA軟件工程師開發(fā)系統(tǒng)，以將機器學習設計實踐轉換為新工具流程中的選項，從而加速了創(chuàng)新設計流程的采用。

例如，模擬電路設計人員會根據(jù)以往經驗了解在電路設計和布局中需要匹配的器件，但是要在設計流程中采用自動化技術，需要增加額外的約束和規(guī)范。機器學習模型可以從完成的設計中學習那些設計師的最佳實踐，并為每個設計師或設計團隊以定制的方式加速整個設計流程。創(chuàng)新的系統(tǒng)設計公司不會與其他公司共享他們的設計或從他們那里訓練來的機器學習模型。因此，學習機器學習的設計實踐的訓練必須在用戶那里進行。機器學習將成為EDA計算軟件工具箱中的關鍵工具，這與其他行業(yè)中許多基于SaaS機器學習的產品看起來不太一樣。

除了通過示例學習設計實踐之外，EDA中機器學習的最常見用例是預測未來的流程步驟。當所有這些非確定性多項式(NP)問題集中在一起時，很難完全預測當前流程步驟結果的影響。最常見的示例是在優(yōu)化布局時了解可路由性。布局通常決定每個組件的位置，并以最小化面積/成本和導線長度為目標。路由為每個組件之間的每個信號建立連接。這些組件可能是PCB上的部件，也可能是芯片上的模塊或晶體管。多年來，EDA工程師開發(fā)了許多啟發(fā)式方法，以在優(yōu)化電路布局的同時改善導線長度和布線能力。但是，由于布線和放置是一個非確定性多項式(NP)難題，因此嘗試每個選項在計算上是不可行的，并且現(xiàn)有的啟發(fā)式方法可能會漏掉許多可路由性的細微之處。

通過采用機器學習模型，以布局為輸入，以路由性得分為輸出，可以潛在地創(chuàng)建一個更豐富、更快速的解決方案。EDA工具流可以生成多個候選布局，對每個候選布局進行路由，并以路由得分作為標記來訓練機器學習模型。與此類似，通過運行復雜的EDA流生成許多設計候選和結果的任何流都可以構建模型，以預測來自先前步驟輸入的未來步驟的結果。這為在復雜的設計空間中找到更好的解決方案提供了更大的能力。

EDA提供了關鍵的計算軟件，可以設計和驗證復雜的智能系統(tǒng)。現(xiàn)在正在進行的新一代技術驅動程序將會帶來許多新的創(chuàng)新設計。為了激發(fā)系統(tǒng)設計師的創(chuàng)造力，EDA工具將采用機器學習作為一項關鍵功能，以提高生產率。這將使設計流程能夠找到更好的解決方案，并允許設計流程自動針對設計人員和設計團隊進行自定義。因此，機器學習技術是未來的系統(tǒng)設計和平臺創(chuàng)建中的關鍵組成部分。