如今，要说人工智能没有渗透到芯片设计的每一个环节，恐怕没人会信。从设计、验证到测试，AI已经深度嵌入各个关键阶段，工程师们不仅体验到了生产力的飞跃，更看到了人类在传统项目周期下根本无法实现的结果。

这一路是怎么走来的？未来又将走向何方？

这些正是今年圣克拉拉SNUG硅谷2023会议上，Synopsys AI架构师小组着力探讨的问题。小组主题为“AI设计业的兴起——迄今的旅程与未来之路”，汇集了来自不同领域的专家，分享了各自领域AI增强功能的现状，以及对下一步进展的展望。Synopsys AI战略与系统团队高级经理、SNUG硅谷AI赛道负责人Geetha Rangarajan表示，小组的核心目标是讨论AI如何帮助我们重新思考系统设计中的多个“老大难”问题，同时激励大家创造性地思考AI驱动解决方案的可能性。以下是讨论中涌现的核心洞察。

简化复杂的芯片设计工作流程

随着时间推移，AI已经大幅简化了芯片设计的复杂工作流程，在日益庞大且复杂的搜索空间中找到最优解。例如，Synopsys的DSO.ai™解决方案利用强化学习，大规模扩展设计工作流选项的探索，不仅缩短了设计周期，还显著改善了功耗、性能和面积（PPA）。

来自Synopsys AI战略与系统团队的杰出架构师Joe Walston抛出一个问题：AI能帮助工程师解决整个系统堆栈中的复杂问题吗？从计算设备到汽车再到飞机，现代系统覆盖的应用范围极广。系统堆栈包含软件和硬件（物理）组件，软件层负责处理与用户、外部环境以及系统内其他组件的通信、数据处理和接口；而软件驱动的架构层则负责硬件子系统（机械、光学、半导体、电源或传感器）来提供软件所需的能力。

系统堆栈的每一层都面临着大量待解决的问题。以半导体子系统为例，最先进的SoC集成了多个处理器、复杂接口IP、数字/模拟逻辑、存储器等。设计者必须应对各种工作流优化挑战：微架构选择、布局规划优化，以及物理设计、测试和制造环节的决策。同样，光学子系统中，设计者需要围绕嵌入式电路、透镜、探测器和光源做出决定。Walston指出，AI可以接管重复性的探索工作，让工程师更快速地达成目标。

实现更快的验证周转时间

该公司EDA集团的Synopsys科学家Badri Gopalan从功能验证的角度给出了观点。背景是：验证复杂度的增长速度已经超过了摩尔定律。当今的SoC需要验证的内容极其庞大：全部逻辑，以及所有跨维度（性能、功耗等）的组合。验证工程师如何在更短的时间内发现更多、更复杂的错误？同时还要保持结果质量和成本可控？

Gopalan解释，传统验证方案应用于RTL时，通常能帮助工程师接近100%的覆盖率。静态验证可能发现大约10%的错误，但结果噪声很大，过程极度手动和费力。形式验证能检测到另外20%的错误，而仿真则可能发现剩余65%的错误。仿真同样需要大量手动工作，花费大量时间调整测试台约束和编写手动测试。

在2023年SNUG硅谷大会上，Synopsys发布了全新AI驱动的验证解决方案——VSO.ai。它通过识别并消除回归中的冗余、自动进行覆盖率根本原因分析，以及从RTL和激励中推断覆盖率，帮助验证团队更快、更高质量地收敛。

最大限度地减少测试模式数量，同时增加覆盖范围

半导体测试是另一个AI大显身手的领域。在硅制造过程中，测试工程师必须验证设计无缺陷且按预期工作。内存内置自检（BIST）、压缩IP和逻辑测试结构是常用的测试方案，传感器也扮演了重要角色。通常，收集到的数据会被分析并反馈到整个设计周期以进行改进。

每一步都需要对要优化的参数做决策。目标是用尽可能少的测试模式来测试，以控制成本——Synopsys硬件分析与测试工程副总裁Fadi Maamari如此解释。在2023年硅谷SNUG大会上，Synopsys发布了一款利用AI优化测试模式生成的新产品：TSO.ai。它旨在减少所需测试模式的数量，同时增加覆盖率并缩短自动测试模式生成（ATPG）的周转时间。TSO.ai能智能地自动执行ATPG参数调优，推动针对特定设计的一致质量优化，显著降低测试成本。

通过AI解锁新机遇

目前，AI还只是触及了电子设计领域可能性的表面。SNUG硅谷2023的小组成员一致认为，随着自然语言模型的兴起——比如ChatGPT等AI聊天机器人背后的技术，以及其他AI带来的新机会——现在正是进入这个行业最令人激动的时刻。在推进自主设计、验证和测试方面，还有海量的工作要做，还有许多领域需要增强。强大的电子设计自动化（EDA）技术与紧密集成的机器学习驱动循环相结合，将释放出巨大能量，让工程师完成比以往更多的工作。

“随着向FinFET节点的迁移，新问题正在涌现，”Synopsys电路设计与TCAD解决方案杰出架构师Vuk Borich指出。“芯片变得更密集、更小、数量更多，但其中存在规律性、模式化和适合AI处理的东西。因此，我们预见到大量创新将涌现。”

单看模拟设计，就能识别出多个可以从AI注入中受益的领域。Borich强调了几个方向：

必须执行数十亿次蒙特卡罗模拟来评估工艺变异性。有没有办法用AI减少这些模拟的时间和成本？

提取寄生参数往往需要数小时甚至数天。面对数百个设计参数和越来越长的迭代周期，AI能否加速模拟设计的收敛？

布局工作依赖大量手动操作：AI能否简化这一过程——尤其是在从事这类工作的人才紧缺的情况下？

除了电子系统，另一个AI能减少设计师干预、加速收敛的领域是光学设计。光学设计是成像、汽车照明和光子IC等应用的关键支撑技术。这些应用极其复杂，需要考虑大量变量和公差，过去需要用专用工具来处理。AI有望开启共优化专业算法的新机会——Synopsys光学解决方案团队的科学家William Cassarly解释。AI能够探索大部分设计空间，为现有算法提供新起点，并减少处理离散案例的工作量。此外，AI还能在不同用例之间实现知识迁移，让经验不足的设计师也能产出通常只有老手才能考虑到的结果。

当我们上升到系统级别时，硬件和软件团队之间的知识孤岛使得启动工作变得复杂且昂贵。系统级可见性和自动化根本原因分析是加快上市时间的关键。Synopsys系统设计组高级研发工程师Rachana Srivasta va指出，AI可以实现自动化的系统级根本原因分析。将数据映射到基于事件的知识图谱，可以为整个系统提供可见性。在此基础上应用机器学习模型，可以生成预测和数据挖掘的反馈循环，从而产出更好的硅芯片结果。

激动人心的时代确实已经到来——工程师们正在设计将AI和机器学习应用于整个系统堆栈工作流的新方法。满足下一代应用的PPA和上市时间目标只会变得更加复杂。而AI恰恰能提供工程团队所需的生产力提升，同时帮助他们实现此前根本无法想象的成果。