EDA 行業已經逐步解決了電子系統設計中出現的問題，但是否會出現中斷？學術界當然認為這是一種可能性，但并非所有人都出于同樣的原因認為它的發生。

學術界在最近的Design Automation Conference上質疑EDA的未來。他們認為，一個新時代即將開始，而不是我們所知道的 EDA 會消失。三個小組以完全不同的方式解決了這個問題。有人問“EDA 的下一次復興有哪些重大機遇？” 第二個題目是“開源 EDA 的未來是什么？” 第三個，“電子設計自動化的機器學習：非理性繁榮或黃金時代的黎明”。

EDA 行業見證了許多重大變化，但并非所有這些都取得了商業上的成功。20 年前，EDA 行業正在尋找高于 RTL 的新抽象（abstraction）級別，稱為電 Electronic System Level (ESL)。雖然這些努力的一部分現在已成為行業工具組合的一部分，例如高級綜合和虛擬原型設計，并且存在諸如 SystemC 之類的語言，但總體努力并沒有導致新的抽象。今天，ESL 仍然是一種利基技術。

為什么？一種解釋是 ESL 太寬泛、太通用，ESL 和 RTL 之間的差距太大。ESL 要求對設計或語言進行限制以使綜合成為可能。例如，處理器的設計是少數幾個確實存在專用語言的領域之一，最近隨著 RISC-V 的引入，創造了更多的領域。

由于可擴展的 RISC-V 處理器規范是開源的，因此可以對處理器架構進行更多的研究。過去存在的語言（例如 SysML）正在被淘汰，而新的語言（例如 Chisel）正在被創建。處理器綜合工具連同驗證方法和參考模型一起推向市場。

在更大的背景下，向特定領域解決方案的轉變為許多高度專業化的抽象創造了機會，每個抽象都可以專用于一個領域。這反過來又促進了研究的復興。

那么 EDA 的未來會和今天一樣嗎？

EDA 的角色

為了正確看待這一點，EDA 提供了三項主要服務——生產力（productivity）、優化（optimization）和保證（assurance）。即使設計變得更大、更復雜，團隊規模和時間表仍然相對固定，這意味著生產力必須始終提高。找到平衡成本、性能和功耗的正確解決方案是一個巨大的優化問題。隨著幾何尺寸越來越小，確保設計在制造后能夠正常工作變得越來越難。它涉及越來越多的必須考慮的物理因素。

隨著摩爾定律的放緩，該行業正在尋找未來擴張的幾個方向。其中一些涉及架構的變化，而另一些則正在研究新的封裝技術。這是對新材料和制造技術的補充。Broadcom ASIC 產品部總監 Jayanthi Pallinti 就設計人員面臨的挑戰提供了一些見解（見圖 1）。“在 16nm，我們有大約 6,000 條設計規則。現在在 3nm 中，已經增長到超過 15,000 個。即使 EDA 已經完成了所有創新——而且這些創新正在發揮作用——它仍然具有挑戰性。”

Pallinti 認為 EDA 必須變得更加分層才能跟上，整個系統必須共同設計，而不是按順序處理。

圖 1：設計復雜性和 EDA。

資料來源：博通

模型是 EDA 工具和流程的重要方面，它們存在于許多抽象級別。“挑戰在于創建具有正確準確性、速度和穩健性的模型，” Ansys首席技術官 Prith Banerjee 說。“我們必須解決多層次模擬的問題。我的意思是使用二階偏微分方程，并由此產生降階模型以提供系統級模型。我們需要從系統級仿真無縫地進入，當我需要更高的準確性時，我點擊進入下一個級別。人們談論的是分層仿真，但我談論的是跨機電系統。”

沒有模型，優化是不可能的。“你需要模型來進行預測。你需要預測才能在探索中發揮作用，”加州大學圣地亞哥分校 CSE 和 ECE 杰出教授 Andrew Kahng 說。“你無法預測的東西，你的guard-band，你不探索的東西你留在桌子上。”

然而，這些模型的來源可能會發生變化。“EDA 的下一個挑戰是創建設計流程的完整數字雙胞胎，”加州大學伯克利分校杰出教授兼 imec 首席技術官 Jan Rabaey 說。“與其對新設備進行模擬，我們應該從實際原型中生成模型。我們需要有能力在虛擬世界中擴展它，然后在物理世界中翻譯原型——兩者的聯合開發。”

仿真一直是業界的難題。“驗證是可怕的，”Rabaey 補充道。“努力的數量是瘋狂的。提高功能驗證的抽象級別，然后通過設計確保正確性，這一點很重要。第二個是選擇自由。我們基本上在設計中使用了太多的靈活性。我們可能認為這是一種優勢，但我們給自己帶來了一場噩夢。”

SRC 創新研究總監 Tim Green 指出，功能驗證只是冰山一角。“驗證已經足夠具有挑戰性了。但是驗證在安全方面確實是一個簡單的問題，因為驗證是確保您的設計符合您的規范。安全性是為了驗證你的設計，超出規范，沒有做任何有趣的事情，這是一個未知的空間。”

抽象創造了一個不同的機會。“有很多客戶有特定應用或特定領域的問題，例如汽車和物聯網，而通用解決方案無法與之匹敵，”高通高級工程總監 Mamta Bansal 說。“大多數 EDA 供應商都專注于量產的東西。開源可以解決一些特定領域的問題并解決這些問題。”

英特爾戰略 CAD 實驗室主任 Noel Menezes 對此表示贊同。“我看到了樂觀的理由，例如為什么某些特定領域的語言在指定硬件方面可能會變得非常成功。特定領域的語言，也許是特殊的抽象，可能是開源 IP/EDA 蓬勃發展的正確破壞者。成功的最佳機會是在商業 EDA 激勵措施不一致的領域。”

這也可能適用于舊技術。“在一些長尾節點上，開源工具的機會變得非常有趣，”Cambium Capital 的運營合伙人 Bill Leszinske 說。“這就是很多成本被攤銷的地方。這意味著可以有更多的創新。”

有這么多潛在方向，EDA 可能很難跟上。“正在出現的一些重要挑戰基本上可能會阻礙或減緩新技術和能力的引入，”Rabaey 說。“這些不僅僅是變得超級復雜的事情。到 2030 年，我們應該是 1 納米。最重要的是，設計變得非常多樣化。你會看到內存和邏輯、模擬射頻、傳感器的合并，所有這些類型的東西都集中在一個封裝中。其中一些可能需要非常不同的技術、不同的材料或光學。馮諾依曼的計算模型正在逐漸衰落，會有很多替代方案。你會再次看到模擬計算的出現，以及使用物理現象的計算。”

解決所有這些問題所需的努力能否成為變革的催化劑？SRC 的 Green 說：“隨著需要更多的集成來滿足性能目標，這個細分良好的市場正在崩潰。”“當前的 EDA 設計流程無法提供所需的性能。我們需要定義將驅動關鍵技術的關鍵應用程序，這些技術將驅動設計工作流程，以實現這些應用程序所需的效率、性能和安全性。”

另一個催化劑是不斷變化的地緣政治環境。“過去幾年，許多國家和地區開始將半導體視為國民經濟乃至國家安全的關鍵要素，”香港科技大學研發副總裁 Tim Cheng 表示。“我們從未見過來自世界各地的此類投資。這對人才和競爭來說是個好消息。”

除此之外，Cheng 還研究了這筆資金如何影響 EDA。“資助 EDA 不再只是推進最先進的技術。如果你需要控制，你需要所有權，你擔心國家安全，你需要擁有它。政府愿意支持你。這些人不會竊取他們知道高度敏感的技術，但他們需要有知識的人來構建他們的工具，以便他們可以控制。這將改變半導體、IC設計和EDA的格局和生態系統，并可能打破全球大型EDA公司的時代。”

開放的基礎設施

學術界面臨的問題之一是他們從根本上必須發表論文。這些專注于算法和點工具，但它們通常不能以獨立的形式存在。“EDA 中的開源軟件鼓勵學術界致力于解決真正的 EDA 問題，” Cadence高級軟件組總監 Chuck Alpert 說。“這更現實。OpenROAD EDA 流程的存在意味著他們所做的研究可以更加現實，因為他們不是在處理假問題。他們正在研究真正的概念，這真的是一件好事。”

開源要想成功，必須有一個良性循環。“如果你沒有良性循環，如果你沒有開發者社區或大型用戶社區，你需要激勵支持，”英特爾的 Menezes 說。“你需要對發展的激勵和對用戶的激勵。Open road 在這一點上是一項非常成功的開源工作，但我擔心的是，如果你沒有動力繼續這些開源工作，現在 Idea 計劃即將結束，就會出現問題。”

成功的開源需要協作。“OpenROAD 是一種工業學術合作伙伴關系，”Zero ASIC 首席執行官 Andreas Olofsson 說。“有些學生做研究和寫論文，但他們并不真正喜歡做軟件工程，因為那不是他們當時的目標，將來也可能不是。然后你有可以整合它的工業人員。必須有一些東西來激勵培訓計劃，向人們展示如何編寫好代碼。”

但合作可能具有挑戰性。“現在，我們都處于孤立狀態，”高通公司的 Bansal 說。“我在高通公司，我在一個孤島中。每個代工廠、每個供應商、每個供應商都處于一個孤島中，因此沒有簡單的方法可以為社區做出貢獻。已經發生的合作是基于資金的。即使提供一個測試用例來打開大門也是一個挑戰。我們不知道如何保護我們的知識產權。”

那能改變嗎？“如果會有 EDA 2.0，我們作為一個社區需要團結起來，”IBM Research 的研究員兼首席科學家 Ruchir Puri 說。“無論是芯片設計公司，還是EDA行業，我們都不能繼續以不共享數據的態度行事。如果我們不能團結起來跨孤島協作，我們將無法在這方面取得進展。這是給定的。”

“沒有一家公司、一所大學或一組人能夠解決所有問題并擁有最佳解決方案，”Cambium 的 Leszinske 說。“我們認為一個很多人可以創新和實驗的環境將創造很多機會。我們確實將開源項目視為實現這一目標的關鍵催化劑。降低開發成本，降低流片成本，讓更多創新想法進入市場，從而為我們所有人創造一個更大的行業。”

Cerebras 的技術人員 Mark Glasser 指出，開源并不總是需要獲得資金才能實現可持續發展。“在 EDA 行業中經常被忽視的一點是，開源程序、開源工具可用于推動其他創收工具的銷售。我最喜歡的例子是UVM。這是一個開源的驗證工具。它推動了各種東西的銷售——調試器、分析器、上下文敏感的編輯器，以及圍繞它的各種東西。”

機器學習

機器學習是一個似乎沒有完全一致的領域。“我們已經獲得了非常深刻的理解，當你了解問題的結構時，你應該利用它，”加州大學伯克利分校的 EE 和 CS 主席 Alberto Sangiovanni-Vincentelli 說。“問題的結構意味著你了解你試圖解決的特定問題背后的物理數據。但是，如果你還沒有找到問題的深層根源，即物理問題的數學根源，那么你需要近似它，因為你想解決這個問題而你沒有工具。然后你嘗試一些通用的東西。AI 和 ML 是通用技術，因此它們在本質上是有限的。ML 使用統計模型來分析數據中的模式并從中得出推論。”

部分問題在于 EDA 所基于的基礎物理的變化率。洛桑聯邦理工學院教授兼主任喬瓦尼·德米凱利 (Giovanni DeMicheli) 表示：“當你審視技術發展時，無法預見物理、材料、設備的未來。” “為什么？因為您需要從中學習的東西，并且如果您的地形在您的腳下不斷變化，那么根據您所擁有的進行預測會更加困難。此外，缺乏全面的數據集可供學習，因為沒有多少設計屬于公共領域。如果每個人都保存自己的數據，學習起來非常困難。最有可能的是，機器學習將無法在未來的選項中做出選擇，尤其是當它涉及技術以及技術的混合搭配時。ML 對于解決結構較少的問題很有用。

優化基于成本函數。“機器學習產生影響的領域是游戲、自然語言處理和計算機視覺，”IBM 的 Puri 說。“游戲的好處是它們有一個非常明確的成本函數。同樣，EDA 具有良好定義的成本函數，但 EDA 的問題是有太多相互交叉的成本函數。從時間、功率、噪聲、面積等多維目標中，很難制定出單一的成本函數。這有助于啟發式而不是單一的目標函數、博弈論方法。”

UCSD 的 Kahng 展示了 EDA 的一種可能路徑。“該圖（圖 2）顯示了 EDA 軌跡的一部分，即 AI/ML 賦能 EDA。自動調優等元素將比公平基準測試共識等其他元素更早成熟。但我希望這個數字的大部分將在未來 5 到 10 年內成為現實。”

圖 2：通往 EDA 2.0 的道路。

資料來源：Andrew Kahng/UCSD

我們能到達那里嗎？“對于 EDA 中的機器學習，人們的期望非常高，”EPFL 的 DeMicheli 說。“現在判斷這是否可行還為時過早。我們有許多令人驚訝的結果，因為我們仍然不明白為什么有時我們會得到好的結果，并且還需要對方法本身進行更多的分析。我們傾向于更信任基于確定性推理的正確性技術。但是有很大的優化空間，減少成本或面積或延遲，在設計方面，不影響正確性。這是一個非常大的機會。”

最有可能的未來道路將基于混合解決方案。紐約大學心理學系教授 Gary Marcus 說：“總的來說，當你需要信任時，神經網絡不是一個好工具，因為它們不是很容易解釋。”“你需要做驗證。這就是我們考慮將符號分析的某些方面結合起來進行驗證的神經符號混合的原因。您真的希望能夠將 ML 與一些符號約束集成，這些符號約束可能會告訴您您沒有正確的答案。”

結論

EDA 承受著來自多方面的巨大壓力。技術正在快速發展，而 EDA 是難題的基本組成部分，它使我們能夠轉向更小的幾何形狀。隨著摩爾定律的放緩，正在引入其他技術以實現更高水平的集成，從而進一步增加復雜性。由于相互關聯的成本因素的數量，優化變得越來越困難。

對于許多公司來說，蠻力設計方法已經停止工作，它們現在轉向特定領域的解決方案，這些可能是新抽象層次、新模型和新方法的重要推動力。ML 為我們提供了一套新的工具，它們可能適用于某些問題，即使不是全部。RISC-V 的引入顯示出對開源的新興趣，因為它支持更多的研究和更廣泛的關于如何推進設計的想法。

并不是現有的 EDA 公司失敗了。他們有太多的機會去追求。

編輯：黃飛

?