机器学习和大数据分析如何发现切实可行的芯片设计见解

随着 SoC 和系统复杂性的增加、市场窗口的缩小以及工程资源挑战的增加，任何可以提高芯片设计效率（更不用说相关的芯片质量）都可以为您带来优于竞争对手的显著优势。

事实证明，改进设计流程所需的原材料一直存在——它们存在于工具不断生成的互连电子设计自动化 （EDA） 指标和设计流程数据中。有效地解析大量数据以找到可以真正产生影响的可操作见解是一项极具挑战性的工作。

提示大数据、数据科学和数据分析技术的及时融合;通过它们独特的合并，可以收集、策划庞大、丰富但长期未开发的信息源，最重要的是，有效地投入工作，以帮助加速设计过程。

在这篇博文中，我将分享 SoC 设计范式的这一新提升如何在设计流程可见性和可观察性方面实现可衡量的改进，为更好、更快、数据驱动的设计方式提供深入的设计分析，并在整个业务中实现知识主导的文化，以实现更智能的端到端决策。

超越电子表格，连接各个点

从 RTL 到签核的设计流程由众多引擎组成，旨在尽可能平稳高效地实现您的目标功耗、性能和面积 （PPA） 目标。从这个流中产生了大量主要是非结构化的数据。但是假设您可以以正确的方式连接该数据中的所有数据点。例如，在这种情况下，您可以潜在地发现模式，这些模式会引导您获得额外的设计改进机会，或者您可以更早解决的领域，以促进更快的设计收敛。

工程师尝试通过日志文件查找见解，但这可能会变得笨拙、不准确且难以共享。提取数据、将其放入电子表格并设置其格式以使模式和趋势变得明显且易于共享是一个耗时且手动的过程。然而，这是工程师在创建项目进度报告时必须做的事情。我们需要的是一种通过更全面、更整体的数据视图来“连接点”的方法。例如，将与设计中某一部分中的时序问题相关的数据与另一个区域中有关拥堵问题的数据相结合会很有帮助。..。..看看揭示了什么。

数据可视化和设计优化技术有助于填补空白。例如，高级数据可视化可以通过在所有实施项目和活动中提供统一的 360 度所有工具流数据来促进更好的决策。从因果关系分析到规范性解决方案，有针对性的可操作见解可以帮助解锁未开发的 PPA。借助易于共享的设计师知识，团队可以提高生产力并更快地完成设计。

更智能的数据使用，实现更智能的设计

SynopsysDesignDash产品是数据可视化和机器智能 （MI-） 引导式设计优化解决方案的一个例子，它可以增强设计流程、培养更高效的设计师工作流程并降低项目风险。该解决方案可自主抽取指标数据，同时直接从数字设计流程中的工具共享的独特单一数据模型中智能地管理相关的分析数据。数据被加载到始终在线的行业标准数据库中，使信息易于通过基于 Web 的 UI 进行搜索、过滤、图表、比较、共享和交叉引用。

借助机器学习功能，DesignDash技术揭示了为什么会发生某些事情。它自主分类设计趋势，识别设计限制，并在整个设计流程中提供指导性根本原因分析。无论团队需要了解设计失败的主要原因，关键路径如何在流程的每个阶段进行结构演变，或者与以前的实验相比，特定运行如何，这些问题以及更多问题都可以通过该技术得到解答。

系统和规模的复杂性正在增加，而上市时间的压力继续变得更加严峻。获得每个设计和项目的基础数据的广泛视图可以补充推动芯片设计质量和设计生产力成就的工程独创性。通过机器学习功能增强的数据可视化可以带来更快、更智能和更好的设计。

审核编辑：郭婷