不久前，機器學習（ML）似乎是一個引人入勝的研究課題。然而，很快，它就從一個遙遠的世界迅速過渡到新聞、廣告牌、工作場所和家庭中的普遍存在。這個概念本身并不新鮮，但顯然導致它起飛的是許多應用程序中數據的快速增長和更多的計算能力。在離家更近的地方，在我們自己的EDA和IC設計世界中，對ML的潛力也有類似的興奮。期望很高，但關鍵問題是：ML有哪些有意義的機會以及采用提高設計師生產力的實用方法？

EDA 中有幾個明顯的領域可以從 ML 中受益，包括建模、寄生提取、路由和良率分析。然而，對于所有設計人員來說，一個日益嚴峻的挑戰領域是滿足最重要的功耗、性能和面積 （PPA） 目標，這是應用基于 ML 的優化的理想候選者。由于更多功能、高級流程、變化和更多操作場景，設計的復雜性不斷增加，導致設計收斂的工程變更單 （ECO） 流變得更加數據密集和耗時。隨著工藝技術發展到5nm及以下，這變得特別具有挑戰性。

時序一直是ECO周期中的主要關注點，但功率已成為在高級節點上實現成功簽核的同樣重要的標準。然而，時序和功耗優化是相互矛盾的挑戰，例如，通過調整電池尺寸來減少延遲會增加動態和漏功耗，反之亦然。在執行功耗優化時，設計人員通常使用基于路徑的分析（PBA）和參數片上變化（POCV）等降低悲觀技術來提高精度，并在“所有工作模式”中驗證“所有工藝、電壓和溫度（PVT）拐角”，以實現最佳的PPA結果，但代價是運行時間很長。運行時問題在較新的節點（例如 5nm）上加劇，具有更多優化變量，包括更嚴格的間距規則、涵蓋廣泛性能/功率譜的更多庫單元選項以及用于全芯片簽核的數百種操作場景。

機器學習是醫生訂購的公式，用于圍繞 ECO 功率優化的復雜響樂。最常見的 ML 方法包括以下步驟：構建數據庫、訓練算法、創建模型以及預測新輸入數據的結果。在功率優化的情況下，這意味著從ECO觀測數據中學習，并對功率回收選擇做出快速準確的預測，而無需昂貴的計算，例如，從200個具有不同時序、功率和其他復雜特性的候選庫單元中挑選最佳的替代單元進行小型化。

盡管跨設計類型和過程節點收集大量數據聽起來對改善模型結果很有吸引力，但這并不是一件容易的事，并且可能不需要實現所需的結果質量 （QoR）。大多數設計決策僅在其空間或時間接近設計體系結構和版本的上下文中相關;因此，基于不相關設計點的訓練數據可能不會提高 QoR。另一種實用的 ML 方法是“主動學習”，它與優化引擎即時交互，以基于本地設計數據構建相關的學習模型。這大大簡化了實現簽核 PPA 的優化路徑，具有更快的周轉時間和更少的資源開銷，為采用提供了強大的動力。

Synopsys PrimeTime 套件被廣泛認為是定時和功耗 ECO 和簽核的標準。它在廣泛的應用程序設計和工藝節點方面的廣泛使用經驗使其能夠更有效地應對設計收斂中日益增長的PPA挑戰，同時提供先進的生產力和資源效率技術，包括機器學習。

機器學習的興奮確實是有道理的。它顯然有可能為 EDA 和設計帶來重大價值，特別是對于耗時的 ECO 優化步驟，以提高生產力并實現目標 PPA。主動式 ML 方法提供了一種有效的實用方法，使設計人員能夠輕松地將該技術整合到他們的設計流程中，并以更智能的方式重新獲得其功能。

審核編輯：郭婷