DesignCon解读 I 设计智能机器的智能工具

一年一度的 DesignCon 是世界一流的高速通信和系统设计大会，在电子创新的核心硅谷汇集行业关键的技术发展与碰撞。在前不久刚刚落幕的2023 DesignCon 大会上，共有两场主题演讲，其中一场来自 Cadence 的多物理场系统分析事业部研发副总裁 Ben Gu，题为《设计智能机器的智能工具（The Intelligence to Design Intelligent Machines）》；另一场来自 Boston Dynamics 的 Devin Billings，关于这一场的主题演讲解读，我们将在下周与大家分享。

《设计智能机器的智能工具》主题演讲开篇提到了人类发展的历史。起初是纯粹凭借蛮力；然后人类开始用大脑思考并制作工具，从石头工具、青铜工具，发展到铁制工具；最终，我们学会了利用机器的力量，例如挖掘机和拖拉机；之后，机器也有了自己的大脑：性能越来越强大的计算机；现在，我们有了性能足够强大的计算机，可以使人工智能变为现实。几十年来，人工智能的基本构思并没有发生太大的变化，但因为现在拥有了性能强劲的 CPU 和 GPU，这些想法终于可以付诸实践。

之后，Ben 讲到了智能系统设计中的人工智能。目前，有些人害怕人工智能会取代人类，也有些人看到了机遇——人工智能有助于提高人类的生产力。对此，我们的基本预期是：这项技术将发挥积极作用，帮助我们获得更好的 PPA 结果、更好的设计收敛、更快的设计周期等等。

几十年来，EDA 一直是设计师提高生产力的得力助手。早在平面集成电路首次问世时，手动设计流程非常繁琐。需要将设计绘制成图纸，而制作掩膜则需要切割红宝石，整个制造过程就像手工制作陶器一样复杂。然后出现了晶体管级设计，采用 Calma GDSII 和 SPICE（或类似 SPICE）电路仿真多边形 layout 编辑器。这使生产力提升了一个数量级。随后，出现了基于单元的设计，这种流程基于综合和自动放置及布线，又一次使设计生产力提升了一个数量级。相信每个人都期待用于描述设计的语言可以变得更加抽象，但这从始至终都没有发生。生产力的又一次阶段性提升归功于可重复使用的模块：在公司内部，这种方法被称为“设计重用”；而当一家公司创建可重复使用的模块，供另一家公司进行部署时，这被称为“IP”。基于人工智能的 EDA 无疑将掀起另一次生产力提升热潮。

接下来，Ben谈到了针对基于人工智能的 EDA，Cadence 所涉及的领域，但限于 DesignCon 的演讲规则，他没有提及太多产品名称——

例1：调试 SoC 验证故障

Cadence Verisium 工具专注于这一领域，包括对重要故障进行优先级排序、跟踪错误、找到根本原因，并修复问题（在充分理解问题之后，这一步通常最为简单）。

例2：数字全流程

Cadence Cerebrus 工具可以更快更好地得出结果（演讲中并未提及该产品名称）。工程师采用之前的方法需要耗时几个月之久，借助 Cadence Cerebrus，一名工程师只需十天就可以将 PPA 改善 20%。这大大节省了设计时间。即便 PPA 没有改善，从几个月变成十天也会产生很大影响。退一步说，即便花费的时间相同，依然需要几个月之久，PPA 提高 20% 也是一种飞跃。

而做到既节省时间，又改善结果，这种两全其美的优势势必会让公司在竞争中一骑绝尘。

例3：高性能 GPU

请注意，上图中的生产力提升幅度不是 5%，而是 5 倍。降低的功耗也非常可观。在电池供电的设备中，芯片漏电问题改善了 28.5%，待机时间得以显著延长（例如，手机开机但未使用，可以随时接听来电或接收短信）。

例4：PCB 布线

这是个截然不同的领域，同样，生产力大幅提高——从50 小时缩短到 20 分钟，相当于速度提高 150 倍，PCB 走线线路长度也同时减少了 16%。

这些技术（以及 Ben 谈到的和因为时间有限而没有谈到的其他技术）背后的关键技术都是数据平台，即 Cadence Joint Enterprise Data and AI (JedAI) Platform。这是一个基础人工智能平台，它之所以能够提供最佳结果，是因为所有工具都无缝协作，并基于相同数据进行了训练。

一言以蔽之，人工智能正在改变一切，在提高生产力的同时也能够提供更好的结果。但这一切只是开始。现代人工智能时代的开启有一个非常明确的日期，即 2012 年 ImageNet 大规模视觉识别挑战赛。在这场图片识别竞赛中，神经网络方法战胜了算法方法，因此也被称为“Imagenet 时刻”。但这只发生在十多年前。从那以后，EDA 算法（以及 Ben 主题演讲或这篇文章未涉及的许多其他领域）方法迎来了天翻地覆的变化。

Cadence Optimality Intelligent System Explorer，使用人工智能和机器学习技术 (AI/ML) 来自动指导优化，使电子系统的多学科分析和优化（MDAO）得以实现。

首批搭载这一新型优化技术的产品是 Sigrity X 和 Clarity 3D Solver 求解器。Optimality Explorer 可以决定在迭代期间改变什么，也可以决定何时结束优化。设计师定义要优化的参数，例如回波损耗小于某个期望的阈值。然后 Optimality Explorer 直接从 Allegro 平台获取设计数据，生成设计变量，指导优化，并自动结束优化。

上图中，Optimality Explorer 在一个解上进行收敛，一旦目标值下降到 -35dB 以下就会退出。与传统的人工方法相比，Optimality Explorer 完成设计的优化要快上10 倍（或更多）。