技术白皮书发布 | 无处不在的机器学习

层出不穷的挑战

多年以来，电子设计自动化 (Electronic Design Automation, EDA) 行业已为复杂系统的建模和设计创建提供了许多解决方案。

EDA 中的大部分设计问题都属于 NP-hard 问题，由于不存在解决这些问题的多项式时间算法，因此无法通过分析确定最优解决方案。目前，新设计挑战层出不穷，导致 EDA 系统愈发难以满足高级流程节点的要求（图 1）。

更糟糕的是，这些要求互相依存，需要在多个设计优化层面上同时加以考虑。实际应用和使用的技术高度依赖各个特定问题空间。

那么如何在设计环境访问受限时针对特定问题制定总体解决方案？

能够学习和改进的 AI 增强型设计工具机器学习为实现自我优化的设计工具提供了机会。就像自动驾驶汽车观察现实世界中的交互作用以改善其在不同（本地）驾驶条件下的响应一样，人工智能增强工具可以在部署后在（本地）设计环境中学习和改进。

与通过观察实际互动情况改进对不同（本地）行驶条件响应的自动驾驶汽车相类似，AI 增强型工具能够在部署后的（本地）设计环境中学习和改进。这些新功能可嵌入不同的设计引擎，为 EDA 开发人员提供一系列全新的解决方案，帮助开发人员适应当下要求严苛的半导体设计环境。

这些新的，由ML驱动的功能可以嵌入到不同的设计引擎中，从而为EDA开发人员提供了适用于当今苛刻的半导体设计环境的新解决方案库。鉴于有大量的数据和丰富的启发式方法，可以使用集成方法（例如线性回归，支持向量机，神经网络）创建新的ML模型类别，以在整个设计周期中利用各种机会。

扩展 ML 预测器范例

整个 ML 预测器类可寻找 DRC 热点、EM/IR 分布和更多内容。额外的 ML 模型类可为自优化设计工具提供各种优势（图 3）：

• ML 优化器：有监督的 ML，在优化之前学习，可直接应用到相关设计拓扑中，应用于 ECO、缓冲、Vt 选择和 DRC 修复
• ML 分类器：无监督的 ML，支持更高效的算法选择，加速整个运行时，支持电路设计、测试和良率分析领域的新型应用
• ML 调度器：探索技术，让工具更深入理解其执行环境并按可用计算机资源定制需求

这些引擎可提前进行预先训练，以便在设计期间进行自我训练。它们可在设计环境中持续学习和改进，缩短实现成果所需时间，获得更好的结果质量 (Quality of Results, QoR)。