在過去的十年里，人工智能 (AI) 已經從一個前瞻性的概念，發展成為許多大型公司日常運營的重要部分。

AI 是一套計算技術，使機器能夠在沒有任何人類干預的情況下進行推理和推斷。這些技術是利用基于數學、計算機科學、統計學和心理學的跨學科方法開發的。基于 AI 的解決方案可以分析大量數據，識別其中的趨勢和模式，然后利用這些結果來改進現有流程，并提出建議以幫助用戶做出更好的決策。

機器學習 (ML) 是 AI 的一個分支，它利用統計學習算法構建可以自動從經驗中學習并改進的系統，而無需明確編程。ML 使機器能夠從數據中學習，而不需要明確地為其編寫規則。

深度學習 (DL) 是機器學習的一個分支，其背后的靈感來源于人類大腦過濾信息和從實例學習的方式。它幫助計算機模型通過神經網絡層過濾輸入數據，以預測信息和進行分類。

隨著視覺和語音識別、自然語言處理、自動駕駛車輛和數據挖掘取得重大進步，AI 技術已變得更加先進，能夠顯著降低電子系統設計的復雜性，并提高設計效率、質量和生產力。

試想一下，如果您的電子系統設計工具內置了 AI、ML 和 DL 技術，那將會是什么樣子。這正是西門子的愿景：將 AI、ML 和 DL 算法整合到產品中，以加快設計創新的速度并降低流程的復雜性。

西門子的目標是提供 AI 增強工具，以幫助電氣工程師和設計人員：

? 做出明智的決策，提高效率

? 輕松完成日常工作，提高生產力

? 通過推薦后續任務來提升專業技能

PCB 設計中的 AI 應用挑戰

PCB 電子系統工程師的任務很艱巨，需要為復雜、高速的 IC 設計合格的供電和散熱方案，同時還要確保電路板上各 IC 之間的每個高速信號的信號和熱完整性。設計人員必須在日益縮短的上市時間窗口內，交付這些日益復雜的 PCB 和互連電子系統，并以較低功耗實現一流的性能。

學習曲線 – 人的因素

高效 PCB 設計的重大挑戰之一是理解該領域并掌握 EDA 工具所涉及的學習曲線非常陡峭。大多數工程師是在工作中學習 PCB 設計。他們向導師請教，自己學習，或者通過查閱 EDA 公司的技術資料來學習。但重要的內容 —— 設計的不同對象之間的連接原因和方式，以及如何高效利用設計工具 —— 卻很少在培訓中涉及。

PCB 設計專家以特定方式使用工具來實現出色的設計。這些用戶對該領域有著深刻的理解，并能巧妙地應對設計工具的各種微妙之處，從而交付高效的設計方案。雖然任何工程師都有可能成為專家，但培養所需的技能需要多年的時間。

AI 能夠從已完成的設計中挖掘出如何使用工具完成設計任務的模式，并以可復用的形式管理這些知識。然后，AI 會引導設計人員或工程師進入下一個合理的步驟，而無需他們去搜索接下來應該做什么，從而提供更好的設計質量。

元器件選擇

設計工程師花費大量時間研究和選擇符合設計要求的元器件。他們瀏覽多家元器件制造商的產品說明，尋找可用于設計的適當元器件。我們可以基于歷史信息開發一個模型，并用來推薦可行選擇以縮小搜索范圍。例如，當選擇處理器時，ML 模型可以基于歷史知識預測所需的其他元器件。

元器件模型創建

生成表示元器件的模型（例如符號、2D/3D 物理幾何形狀和仿真模型）也需要大量時間。在大型企業中，有專門的庫管理員團隊來負責查閱元器件產品說明，并將其轉換為設計工具可以使用的模型。這不僅要求具備深入的電子 領域知識，還要求了解用于生成模型的各種工具。通過使用自然語言處理、圖像識別和 ML 等 AI 技術，系統可以自動處理這些產品說明來生成所需的模型。

原理圖連接

在原理圖中布置好元器件之后，另一項手動任務是建立連接，此任務非常耗時且容易出錯。如果訓練 ML 模型從已完成設計中提取關于元器件的使用和連接的信息，原理圖輸入工具就能向用戶推薦可能要布置在原理圖中的元器件。例如，當設計人員放置處理器時，ML 模型可以基于歷史知識預測其需要的其他元器件。用戶確認布局之后，工具可以提出管腳對管腳連接建議，以加快設計任務的進行。

動態復用

可以對已完成設計的功能模塊進行分析以供復用，并在支持使用各種參數進行搜索的智能數據庫中管理這些模塊。用 DL 算法訓練模型以生成一個系統，使得設計工具可以預測模塊的潛在功能。通過分析原理圖中布置的元器件并使用訓練好的 ML 模型，原理圖設計工具將會推薦匹配的功能模塊。類似地，可以從已完成設計中提取可復用的布局布線模塊，并在設計人員布置電路板時呈現。

約束

PCB 設計通常要遵循版圖、高速設計、制造和測試方面的眾多規則（約束）。這些信息通常是手動輸入到各個設計工具中，這是一個非常耗時且容易出錯的過程。如果設計工具能夠推薦各種設計元素需要定義的約束和值，那么上述風險就能得到有效的控制。這些建議應該基于當前設計中使用的技術和從已發布設計中收集的知識。

版圖 - 布局和布線

元器件的布局和走線的布線要占用項目總時間的很大一部分。各種因素，如設計規則、匹配延遲和基于技術的布線策略等，都會影響版圖工程師關于元器件布局和布線的決策。AI 系統可以利用從已完成設計中獲得的知識，推薦布局和布線策略。

自動布局是又一個可以大大縮短總設計時間的功能。開發此功能需要根據當前設計要求調整推薦的布局策略，并增強工具以執行布局建議。

大多數現有版圖工具都支持自動布線。此功能的當前實現大多基于啟發法，并非在所有情況下都能產生理想的結果。使用自動布線器的版圖工程師必須花費大量時間為自動布線器設置規則，并完成自動布線器遺漏的網絡布線。根據所用的疊層和技術推薦自動布線器設置，是減少與使用自動布線器相關的工作量的第一步。

自動布線器根據設計人員定義的規則集生成最優布線，但生成的布線在視覺上并不美觀。西門子 Xpedition Layout 工具引入了一種先進的布線方法 —— 草圖布線，版圖工程師可以指示該工具按照草圖為一組網絡線路生成美觀的布線。我們可以使用 AI/ML 提取這些草圖模式，將其應用到新的設計中，并在自動布線器中生成布線。

分析和驗證

利用 AI/ML 算法，分析和驗證工具可以了解各種設計敏感性，例如電氣材料特性的變化、物理設計尺寸及其影響、收發器 I/O 特性、溫度/ 電壓變化以及所有這些變量對電路板或系統的綜合影響，從而生成更好的設計。

ML/DL 算法可用來改進網格細化，微調用戶選項以產生更精確的仿真結果，并為過孔、走線和電纜優化提供更好的替代建模。根據歷史運行情況，為各種設置推薦適當的值來運行各種仿真，可以產生更好的結果。

設計綜合

自動生成所需的 PCB 設計和相應的制造輸出，是將 AI 應用于電子系統設計的終極目標。這不僅能減少完成設計所需的時間，還能消除通常由手動操作造成的代價高昂的錯誤。生成式設計依靠 AI 算法，通過系統地改變電路板的參數、結構或形狀來找到最優解。AI 驅動的行為模型針對電路板設計流程中廣為人知環節的創新，加速了生成式設計技術的發展。

審核編輯：湯梓紅