EDA的下一个化身

EDA行业已经逐步解决了电子系统设计中出现的问题，但是否会出现颠覆性的变化?学术界肯定认为这是一种可能性，但并非所有人都认为这是出于同样的原因。

学术界对……的未来提出了质疑EDA在最近的设计自动化会议上。他们认为，一个新时代即将开始，而不是我们所知道的EDA正在消失。三个小组以完全不同的方式解决了这个问题。有人问道:“EDA下一次复兴的重大机遇是什么?”第二个题目是“开源EDA的未来是什么?”第三篇是《电子设计自动化的机器学习:非理性繁荣或黄金时代的黎明》。

EDA行业经历了许多重大变化，但并非所有变化都在商业上取得了成功。20年前，EDA行业正在寻找RTL之上的一种新的抽象级别，它被称为电子系统级别(ESL)。虽然这些工作的一部分现在是行业工具组合的一部分，比如高级合成和虚拟原型，以及像SystemC这样的语言，但是一般的工作并没有导致新的抽象。今天，ESL仍然是一种小众技术。

为什么?一种解释是ESL太宽泛，太通用，ESL和RTL之间的差距太大。ESL要求在设计或语言上施加限制，以使综合成为可能。例如，处理器的设计是少数几个专门语言存在的领域之一，最近随着RISC-V的引入，更多的语言被创建出来。

由于可扩展的RISC-V处理器规范是开源的，因此可以对处理器架构进行更多的研究。过去存在的语言(如SysML)正在被重新使用，而新的语言(如Chisel)正在被创建。处理器合成工具以及验证方法和参考模型正在被推向市场。

在更大的上下文中，向领域特定解决方案的转变为许多高度专门化的抽象创造了机会，其中每个抽象都可以专用于单个领域。这反过来又促进了研究的复兴。

那么EDA的未来会和今天一样吗?

EDA的角色
从这个角度来看，EDA提供了三种主要服务——生产力、优化和保证。即使设计变得更大更复杂，团队规模和时间表仍然相对固定，这意味着生产力必须不断提高。找到平衡成本、性能和功率的正确解决方案是一个巨大的优化问题。随着几何形状变得越来越小，确保设计在制造后能够正常工作变得更加困难。它涉及到越来越多必须考虑的物理因素。

随着摩尔定律(Moore’s Law)的放缓，该行业正着眼于未来扩张的几个方向。其中一些涉及架构的变化，而另一些则着眼于新的包装技术。除此之外，还有新材料和制造技术。Broadcom ASIC产品部门主管Jayanthi Pallinti就设计人员面临的挑战提供了一些见解(见图1):“在16nm时，我们有大约6000条设计规则。现在在3nm技术中，这个数字已经超过了15000。即使EDA已经进行了所有的创新——这些创新起到了帮助作用——但它仍然具有挑战性。”

帕伦蒂认为，EDA必须变得更加分层，以跟上潮流，整个系统必须协同设计，而不是按顺序处理。

图1:设计复杂度和EDA。来源:博通

模型是EDA工具和流程的一个重要方面，它们存在于许多抽象级别上。的首席技术官Prith Banerjee表示:“挑战在于创建具有正确准确性、速度和稳健性的模型。有限元分析软件．“我们必须解决多层次模拟的问题。我指的是使用二阶偏微分方程，并由此产生降阶模型来提供系统级模型。我们需要从系统级别的模拟无缝过渡，当我需要更精确一点的时候，我就会点击进入下一个级别。人们在谈论分层模拟，但我说的是跨机电系统。”

没有模型，优化是不可能的。“你需要模型来进行预测。你需要预测才能在探索中发挥作用，”加州大学圣地亚哥分校的CSE和ECE杰出教授安德鲁·康格(Andrew kang)说。“你不能预测的东西，你就带着，你不去探索的东西就会留在桌子上。”

然而，这些模型的来源可能正在改变。“EDA的下一个挑战是创建一个完整的数字双加州大学伯克利分校杰出教授兼imec首席技术官Jan Rabaey说。“我们应该根据实际原型生成模型，而不是对新设备进行模拟。我们需要有能力在虚拟世界中扩大规模，然后在现实世界中转化原型，这是两者的共同发展。”

模拟一直是业界的难题。”验证是可怕的，”Rabaey补充道。“付出的努力太疯狂了。提高功能验证的抽象级别，然后通过设计确保正确性，这是很重要的。第二个是选择的自由。我们在设计中使用了太多的灵活性。我们可能认为这是一个优势，但我们给了自己一个噩梦。”

SRC创新研究主管Tim Green指出，功能验证只是冰山一角。“核查已经足够具有挑战性了。但在安全的背景下，验证确实是一个简单的问题，因为验证是为了确保你的设计符合你的规范。安全性是为了验证你的设计，超出规范，没有任何有趣的事情，这是一个未知的空间。”

抽象创造了不同的机会。高通高级工程总监马姆塔•班萨尔(Mamta Bansal)表示:“有很多客户存在特定于应用程序或特定于领域的问题，比如汽车和物联网，通用解决方案并不匹配。”“大多数EDA供应商都专注于量产。开源可以解决一些特定领域的问题。”

英特尔战略CAD实验室主任诺埃尔•梅内塞斯(Noel Menezes)对此表示赞同。“我看到了乐观的理由，比如某些领域特定语言在指定硬件方面可能会非常成功。特定于领域的语言，也许是特殊的抽象，可能是开源IP/EDA蓬勃发展的正确颠覆者。成功的最佳机会是在商业EDA激励不一致的领域。”

这也可能适用于较老的技术。Cambium Capital运营合伙人Bill Leszinske表示:“在一些落后的节点上，开源工具的机会变得非常有趣。”“这是很多成本被摊销的地方。这意味着可以有更多的创新。”

有这么多潜在的方向，EDA可能很难跟上。拉贝说:“现在出现了一些重要的挑战，基本上可能会阻碍或减缓新技术和新能力的引进。”“这些不仅仅是变得超级复杂的事情。到2030年，我们应该达到1纳米。最重要的是，设计变得极其多样化。你会看到内存和逻辑、模拟射频、传感器，所有这些类型的东西都融合在一个包中。其中一些可能需要非常不同的技术、不同的材料或光学。冯·诺依曼的计算模型正在逐渐衰落，将会有许多替代方案。你将再次看到模拟计算的出现，以及使用物理现象的计算。”

解决所有这些问题所需要的努力能成为变革的催化剂吗?SRC的Green表示:“为了达到性能目标，需要进行更多的整合，这个细分市场正在瓦解。”“目前的EDA设计流程无法提供所需的性能。我们需要定义关键应用程序，这些应用程序将推动关键技术，这些技术将推动设计工作流程，从而实现这些应用程序所需的效率、性能和安全性。”

另一个催化剂是不断变化的地缘政治环境。“在过去几年里，许多国家和地区已经开始将半导体视为国民经济，甚至国家安全的关键要素，”香港科技大学研发副校长郑宇硕(Tim Cheng)说。“我们从未在世界各地看到过这样的投资。这对人才和竞争来说是个好消息。”

与此同时，Cheng研究了这些资金将如何影响EDA。“资助EDA不再仅仅是为了提高技术水平。如果你需要控制，你需要所有权，你担心国家安全，你需要拥有它。政府也愿意支持你们。这些人不会窃取他们知道高度敏感的技术，但他们需要有知识的人来构建他们的工具，这样他们就可以控制。这将改变半导体、IC设计和EDA的格局和生态系统，并有可能打破大型全球EDA公司的时代。”

开放基础设施
学术界的一个问题是，他们从根本上必须发表论文。它们专注于算法和点工具，但它们通常不能以独立的形式存在。”EDA中的开源软件鼓励学术界研究真正的EDA问题。节奏．“这样更现实。的存在OpenROADEDA流程意味着他们所做的研究可以更现实，因为他们不是在研究虚假的问题。他们正在研究真正的概念，这真的是一件好事。”

开源的成功必须有一个良性循环。“如果你没有一个良性循环，如果你没有一个开发者社区，或者大型用户社区，你就需要激励支持，”英特尔的Menezes说。“你需要对开发和用户进行激励。Open road在这一点上是一个非常成功的开源努力，但我担心的是，如果你没有动力继续这些开源努力，现在Idea项目已经接近尾声，就会出现问题。”

成功的开源需要合作。Zero ASIC首席执行官Andreas Olofsson表示:“OpenROAD是一个工业和学术合作伙伴关系。“有些学生做研究，写论文，但他们真的不喜欢做软件工程，因为那不是他们人生的目标，将来也可能不是。然后是能够整合这些的工业人员。必须有一些东西来激励培训项目，向人们展示如何写好代码。”

但合作可能具有挑战性。高通公司的班萨尔说:“现在，我们都在各自的竖井里。“我在高通，我在一个竖井里。每个代工厂，每个供应商，每个供应商都在一个竖井里，所以没有简单的方法来为社区做贡献。已经发生的合作都是基于资金。甚至提供一个打开大门的测试用例都是一个挑战。我们不知道如何保护自己的知识产权。”

这种情况能改变吗?IBM研究院研究员兼首席科学家Ruchir Puri说:“如果EDA 2.0真的出现了，我们作为一个社区需要团结起来。”“无论是芯片设计公司，还是EDA行业，我们不能继续以不共享数据的态度行事。如果我们不能团结起来跨越藩篱进行合作，我们就无法在这方面取得进展。这是理所当然的。”

Cambium的Leszinske说:“没有一家公司、一所大学或一群人能够解决所有问题，并提出最佳解决方案。”“我们认为，一个让很多人都能创新和尝试的环境，将会创造出很多机会。我们确实认为开源项目是一个关键的催化剂。降低开发成本，降低胶带制作成本，让更多创新理念进入市场，为我们所有人创造一个更大的整体行业。”

Cerebras的技术人员Mark Glasser指出，开源并不总是需要资金来实现可持续发展。“在EDA行业中经常被忽视的一点是，开源程序、开源工具可以用来推动其他创收工具的销售。我最喜欢的例子是UVM．这是一个开源的验证工具。它推动了各种各样的东西的销售——调试器、分析器、上下文敏感编辑器，以及各种围绕它的东西。”

机器学习
机器学习是一个似乎没有完全达成一致的领域。“我们已经获得了非常深刻的理解，当你知道了问题的结构，你就应该利用它，”加州大学伯克利分校EE和CS主任Alberto Sangiovanni-Vincentelli说。“问题的结构意味着你理解了你试图解决的特定问题背后的物理数据。然而，如果你还没有找到问题的深层根源，物理问题的数学根源，那么你需要近似它，因为你想解决这个问题，而你没有工具。然后你尝试一些通用的东西。AI和ML是通用技术，因此它们在本质上有局限性。ML使用统计模型来分析和推断数据中的模式。”

部分问题在于EDA所基于的基础物理的变化率。École洛桑理工学院(Fédérale de Lausanne)教授兼主任乔瓦尼·德米开利(Giovanni DeMicheli)说:“当你看到技术发展时，你无法预见物理学、材料和设备的未来。”“为什么?因为你需要从中学习一些东西，如果你脚下的地形在不断变化，那么根据你所拥有的东西进行预测就更难了。此外，还缺乏全面的数据集来学习，因为没有多少设计是在公共领域。如果每个人都保留自己的数据，就很难学习。最有可能的是，ML将无法在未来的选项中进行选择，特别是当它涉及技术以及技术的混合和匹配时。ML有助于解决结构较少的问题。但是像逻辑设计和综合这样有结构的工具，是算法可能更好地解决问题的地方，因为我们知道正在发生什么。”

优化是基于代价函数的。“机器学习已经产生影响的领域是游戏、自然语言处理和计算机视觉，”IBM的Puri说。“游戏的好处是它们有一个非常明确的成本函数。类似地，EDA有一个很好的定义成本函数，但EDA的问题是有太多的成本函数相互交叉。从这些多维目标(从时间、功率、噪声、面积等)中，很难制定出一个单一的成本函数。这有助于启发式，而不是单一的目标函数，博弈论方法。”

加州大学圣地亚哥分校的kang展示了EDA的一种可能路径。“这张图(图2)显示了EDA轨迹的一个部分，AI/ML授权的EDA。像自动调优这样的元素会比其他元素更早成熟，比如对公平基准的共识。但我希望，这一数字的大部分将在未来5到10年内成为现实。”

图2:通往EDA 2.0的道路。资料来源:Andrew Kahng/UCSD

我们能到那里吗?“对于EDA中的机器学习，人们的期望非常高，”EPFL的DeMicheli说。他说:“现在判断这是否可行还为时过早。我们有很多令人惊讶的结果，因为我们仍然不明白为什么有时我们会得到很好的结果，而且仍然需要对方法本身进行更多的分析。我们更倾向于相信那些基于确定性推理的技术。但在不影响正确性的设计方面，还有很大的优化空间，可以减少成本、面积或延迟。这真的是一个巨大的机会。”

未来最有可能的道路将是基于混合解决方案。“总的来说，当你需要信任时，神经网络不是一个好工具，因为它们不是很好解释，”纽约大学心理学系教授加里·马库斯(Gary Marcus)说。“你需要进行核实。这就是我们考虑神经符号杂交的原因它将符号分析的一些方面结合起来进行验证。你真的希望能够将ML与一些符号约束集成起来，这些符号约束可能会告诉你，你没有正确的答案。”

结论
EDA面临着来自各个方面的巨大压力。技术正在快速发展，EDA是一个基本的拼图，使我们能够移动到更小的几何图形。随着摩尔定律的放缓，更多的技术被引入，允许更高级别的集成，这使得复杂性进一步增加。由于许多相互关联的成本因素，优化变得更加困难。

对许多公司来说，设计的强力方法已经不再适用，它们现在转向特定于领域的解决方案，而这些可能是实现新抽象级别、新模型和新方法的重要促成因素。ML为我们提供了一套新的工具，可能适用于某些问题，即使不是所有问题。RISC-V的引入显示了对开源的新兴趣，因为它使更多的研究和更广泛的关于如何推动设计的想法成为可能。

并不是现有的EDA公司失败了。对于他们来说，有太多的机会可以追求。

相关阅读
定制的处理器
处理器的定制程度取决于许多因素，但选择合适的工具链可能是正确的起点。
提炼四个DAC主题演讲的精髓
共同的主题出现了，但从商业机会到对环境的关注，看待问题的不同方式也出现了。
结构、晶体管、材料的巨大变化
谁在新一代芯片中做什么，他们预计什么时候做。
启动资金:2022年8月
110家公司融资19亿美元;风投公司关注的是半动力汽车、汽车和电池初创公司。中国投资依然强劲。