不久前，機器學(xué)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(dǎo)致它起飛的是許多應(yīng)用程序中數(shù)據(jù)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(shè)計世界中，對ML的潛力也有類似的興奮。期望很高，但關(guān)鍵問題是：ML有哪些有意義的機會以及采用提高設(shè)計師生產(chǎn)力的實用方法？

EDA 中有幾個明顯的領(lǐng)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(shè)計人員來說，一個日益嚴峻的挑戰(zhàn)領(lǐng)域是滿足最重要的功耗、性能和面積 （PPA） 目標，這是應(yīng)用基于 ML 的優(yōu)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(shè)計的復(fù)雜性不斷增加，導(dǎo)致設(shè)計收斂的工程變更單 （ECO） 流變得更加數(shù)據(jù)密集和耗時。隨著工藝技術(shù)發(fā)展到5nm及以下，這變得特別具有挑戰(zhàn)性。

時序一直是ECO周期中的主要關(guān)注點，但功率已成為在高級節(jié)點上實現(xiàn)成功簽核的同樣重要的標準。然而，時序和功耗優(yōu)化是相互矛盾的挑戰(zhàn)，例如，通過調(diào)整電池尺寸來減少延遲會增加動態(tài)和漏功耗，反之亦然。在執(zhí)行功耗優(yōu)化時，設(shè)計人員通常使用基于路徑的分析（PBA）和參數(shù)片上變化（POCV）等降低悲觀技術(shù)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(xiàn)最佳的PPA結(jié)果，但代價是運行時間很長。運行時問題在較新的節(jié)點（例如 5nm）上加劇，具有更多優(yōu)化變量，包括更嚴格的間距規(guī)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(shù)百種操作場景。

機器學(xué)習是醫(yī)生訂購的公式，用于圍繞 ECO 功率優(yōu)化的復(fù)雜響樂。最常見的 ML 方法包括以下步驟：構(gòu)建數(shù)據(jù)庫、訓(xùn)練算法、創(chuàng)建模型以及預(yù)測新輸入數(shù)據(jù)的結(jié)果。在功率優(yōu)化的情況下，這意味著從ECO觀測數(shù)據(jù)中學(xué)習，并對功率回收選擇做出快速準確的預(yù)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(fù)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(shè)計類型和過程節(jié)點收集大量數(shù)據(jù)聽起來對改善模型結(jié)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(xiàn)所需的結(jié)果質(zhì)量 （QoR）。大多數(shù)設(shè)計決策僅在其空間或時間接近設(shè)計體系結(jié)構(gòu)和版本的上下文中相關(guān);因此，基于不相關(guān)設(shè)計點的訓(xùn)練數(shù)據(jù)可能不會提高 QoR。另一種實用的 ML 方法是“主動學(xué)習”，它與優(yōu)化引擎即時交互，以基于本地設(shè)計數(shù)據(jù)構(gòu)建相關(guān)的學(xué)習模型。這大大簡化了實現(xiàn)簽核 PPA 的優(yōu)化路徑，具有更快的周轉(zhuǎn)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(yīng)用程序設(shè)計和工藝節(jié)點方面的廣泛使用經(jīng)驗使其能夠更有效地應(yīng)對設(shè)計收斂中日益增長的PPA挑戰(zhàn)，同時提供先進的生產(chǎn)力和資源效率技術(shù)，包括機器學(xué)習。

機器學(xué)習的興奮確實是有道理的。它顯然有可能為 EDA 和設(shè)計帶來重大價值，特別是對于耗時的 ECO 優(yōu)化步驟，以提高生產(chǎn)力并實現(xiàn)目標 PPA。主動式 ML 方法提供了一種有效的實用方法，使設(shè)計人員能夠輕松地將該技術(shù)整合到他們的設(shè)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