CEO們的展望。

本文主要圍繞芯片設計的變化進行討論，參與討論的有：半導體工程與Siemens Digital Industries Software的 IC EDA 執行副總裁 Joseph Sawicki ；還有PDF Solutions總裁兼首席執行官 John Kibarian ；Ansys半導體事業部總經理兼副總裁John Lee ；是德科技PathWave 軟件解決方案副總裁兼總經理 Niels Faché ；IC Manage總裁兼首席執行官Dean Drako；Simon Segars，Arm前首席執行官兼沃達豐董事會董事；Real Intent 總裁兼首席執行官 Prakash Narain。

SE：當你設計一個復雜的芯片時，你怎么知道你正在看的是好的數據？

Narain：我們專注于一個非常具體的問題。如果你關注安全或產品生命周期管理，則必須對其進行量化。但是現在我們要使用那個函數，所以你必須為它做好計劃。它必須成為戰略的一部分，在這種情況下必須簽署所有其他需要改進的變量。歸根結底，工作流程中它是一組離散的簽核步驟，需要經過這些步驟才能找到合理的失敗點并制定計劃。

Faché：數據管理是我們都需要的核心能力。它是來自我們所有工具的模擬數據。我們的測試設備正在生成大量數據。真正的關鍵是要確保有一個很好的方法來探索數據并標記它。這使你可以將該數據與特定設計或測試設置或生成數據的條件相關聯，然后可以從中獲得洞察力。比較模擬和測試，查看相關性，并使用它來改進設計并預測實際產品的行為方式。這就是為什么數據管理是一項關鍵能力。

SE：但是數據共享是個大問題。許多關鍵數據都來自晶圓廠。它如何在一個組織中傳遞，以便與芯片架構師和設計到制造鏈的其他部分共享？

Kibarian：這個行業的每個人都非常神秘，但我們是世界上協作程度最高的行業。我們以某種方式設法共享數據，并以一種尊重的方式進行。有各種各樣的協議可以讓這一切正常進行——你如何共享數據，你如何將它存儲在云中，零信任所需的加密量。然后是人們正在玩的類似科幻小說的東西，比如數據的同態加密。我們也嘗試過很多這樣的事情，但今天它真的是關于誰可以看到什么數據的協議。今天，PDF 為世界各地的客戶存儲了數據，因此我們只處理其中的一部分。但在未來，我們可以使用允許處理數據的加密技術做更多的事情。

Lee：數據太多，因為可以生成大量數據，而且對這些數據的處理也存在問題。這就是 AI/ML 可以而且確實有幫助的地方。與此同時，我們實際上沒有足夠的數據，這又回到了覆蓋面。系統規模越來越大，因此永遠無法獲得完整的覆蓋范圍。人工智能也可以提供幫助。我想再對數據發表評論。如果看一家公司，假設他們在做 3D-IC，他們有芯片團隊，他們有封裝團隊。這些團隊使用的數據可能非常粗糙，例如電子表格或電子郵件，上面寫著：“嘿，去看看這個文件。”因此，存在于半導體設計之外的許多地方的數字化轉型實際上并沒有在 EDA 社區內得到解決。

SE：目前使用的大多數小芯片都是由大型芯片制造商在內部開發的。隨著我們越來越多地進入虛擬市場，我們如何確保所有這些小芯片都能按預期工作并且具有一致的特征？這甚至會起作用嗎？這真的只是IP市場的延伸嗎？

Segars：你可以從兩個方面考慮 IP。你可以向人們發送 RTL（軟 IP）以創建可用的軟件。你必須擁有最新的功能。你必須在某個過程中實施它以獲得類似的性能結果，然后才能開始使用它。在小芯片中運送庫或內存的復雜性意味著你現在已經很難實現它。然后，在你鎖定它的那一刻，有人想要一些稍微不同的東西。然后你在證明它、構建它和發送它方面所做的所有工作都被淘汰了。因此，使用小芯片需要進行一些轉變。但這是一種切實可行的前進方式，人們一旦完成它們就會對小芯片感到非常滿意。我確實認為有巨大的潛力能夠優化數字領域的一切，將其與一些模擬、硅光子學、電源以及所有這些都放在一個封裝中。對我來說，這為集成、性能和能源效率開辟了新的維度。現在是所有領域的黑帶人士都在做這件事。但這創造了巨大的潛力。

Sawicki:這里有兩個比喻，它們都指向不同的方向。一種是我們這個行業已經存在了一段時間的IP，你把相對復雜的系統放在一起，你可以現成地買。當它們集成到你的芯片中時，你將獲得定制選項，使你能夠以有趣的方式優化整體系統性能。另一個比喻是，這些小芯片就像你帶到板上的封裝部件，這讓你有機會不必承擔所有的研發成本，但你仍然可以獲得這種靈活性。隨著越來越多的人接受這一挑戰，你可以確定目前它在哪里發揮作用并控制整個事情。賽靈思是第一個。現在英特爾和 AMD 正在做所有這些事情。我們回到同一個模型嗎？這是一個有趣的困境。

SE：在將小芯片組裝在一起并制造整個系統之前，我們將如何測試這些小芯片？

Faché：如果你看小芯片，并且你有物理設計，它需要大量的物理模擬——電磁和熱。市面上有很多工具，但關鍵是應用這些工具來解決它們最適合的問題，并將它們集成到整個工作流程中，這樣你就不會離開高度專業化的工具到另一個專門的工具。在這種情況下，你將不得不處理數據傳輸，這會花費很多時間，因為可能會出現很多與之相關的錯誤。你需要合適的工具來完成這項工作，并且必須將其集成到整個工作流程中。

Lee：我們致力于開發不只是針對某個時間點的產品。如果你查看汽車中的系統，你會希望它運行 10 多年。因此，機載傳感器、機載數據輸入/數據輸出非常重要，無論是預測試還是貫穿零件的整個生命周期。問題是我們可以獲得盡可能多的數據，但我們無法衡量很多數據。這是 AI/ML 和基于多物理的模型的機會。

Drako：小芯片與 30 年前的多芯片模塊沒有什么不同。它很混亂，很難測試，但我們已經做了 30 年了。今天有點難，但我們會解決的。那里沒有神奇的東西。就設備之間的集成而言，它與我們在 1970 年代擁有的 TTL 數據手冊沒有什么不同。這是 CPU 內核等，但是我們將使用其他一些基板而不是電路板。我們會非常擅長的，那里不需要瘋狂的創新。但在數據方面，我們有生產數據、測試數據、成品率數據和模擬數據。然后我們有了一個設計，并且有不同的數據堆。有了人工智能，我們就有了一堆全新的數據，即訓練數據。如果你考慮一下我們在 EDA 行業中使用的數據，它可以分為四五個截然不同的堆。我們有一個用于分發和管理該數據的系統，并圍繞該系統設置了一個流程，因此我們不會在工程師和電子郵件之間發送電子表格來進行交接。我們的客戶為他們的設計數據做那種事情。但訓練數據是 EDA 行業不處理的全新數據集。

SE：你有這些數據，但你現在也有這些其他元素進入設計，即芯片被用于任務和安全關鍵應用程序，它們應該持續更長時間。我們如何提高其整個生命周期的可靠性？必須改變什么？

Kibarian：人們現在在現場使用芯片來收集數據。有像 ISO 26262 這樣的標準說你要在現場測試芯片，并且數據會返回。你需要有來自制造業的數據來與之進行比較。我們需要制定標準的其中一件事是確保數據不會在某個地方傳輸，并且它是安全的，從區塊鏈或其他技術開始，以確保來自制造的信息確實是那里的數據。每當有 RMA 時，總會有人爭論為什么數據是這樣的？如果那個芯片壞了，那么其他芯片也可能壞了。向我證明這些是你唯一要召回的芯片。這總是發生在芯片制造商和它的客戶之間，并提供成品率數據。零信任還有另一個問題。除了加密之外，這意味著當你作為供應商說你將數據存儲 20 年時，你將存儲它而不更改它來支持你的需求。所以除了加密，除了長期存儲，除了芯片上的遙測之外，你還需要處理你正在配對的數據是否被更改或操縱。這就是區塊鏈技術不斷改進的地方。它是不可變的。它沒有改變。

Narain：如果你有一個關鍵任務應用程序，你需要將診斷和恢復的能力設計到系統中。這需要從你正在構建的這個特定系統的非常高的層次上進行規劃和設計。你必須弄清楚你的可靠性策略和實施，并確保它運作良好。驗證要求你識別單點故障并確保它們被覆蓋。然后，什么是工具和驗證機制？所以需求是消除單點故障，然后創建工具和驗證機制。