当AI遇上EDA：一场悄然发生的智能验证革命

几乎所有人都在谈论人工智能（AI）技术对EDA（电子设计自动化）的巨大潜力，它有望大幅提升半导体和系统公司的设计效率。但就像“玻璃渣里混杂的冰糖”，关于如何在EDA领域充分释放AI能量的现实路径，其实仍然在探索之中。本教程将基于芯华章研究院研究员杨思超发表在《中国集成电路》的《Machine Learning for Verification：智能化EDA验证浪潮来袭》一文，系统梳理“AI+EDA”的核心逻辑、技术路径、现实挑战与未来方向。

一、为什么“AI+EDA”如此让人向往？

1. 生产效率的鸿沟

当下大规模芯片已可包含超过100亿个晶体管，然而芯片研发的生产效率（Gates/Day）却无法同步提升。两者之间存在明显的差距。有研究表明，验证在某些项目中的耗时占比甚至超过70%，因此验证的效率成为关键中的关键。

小提示： 如果你正在参与芯片项目，可以尝试统计一下验证阶段在总研发周期中的占比，往往能直观感受到“验证瓶颈”的严重性。

2. 研发成本的压力

芯片研发成本极高，单次流片失败的概率必须被降到最低，验证的重要性不言而喻。因此，现有EDA工具需要不断创新来提升设计和验证效率。其中一个重要的创新技术点，就是引入数据驱动的方法来改进现有算法和流程。

二、AI如何融入EDA？——从技术契合到现实困境

1. ML与DL：谁是更好的搭档？

通常我们谈论的人工智能（AI）技术，主要分为机器学习（ML）和深度学习（DL）两种路径。其中，机器学习技术是目前与EDA结合更紧密的方向。为什么是ML？简单来说，ML技术就是利用基于统计或计算机理论的模型在历史数据中发掘某种模式，然后在当前数据中识别是否存在该模式的技术。理论上，只要一个系统里存在无法被明确或精确定义的函数关系，又存在大量的观测或实验数据，就可以使用ML技术来学习。

2. EDA领域为何适合ML？

EDA领域里正好存在很多这样的系统。特别是传统的启发式策略面对日益复杂的系统时，计算效率逐渐趋于瓶颈，大量数据无法得到有效利用。通过引入ML技术，历史数据得到利用形成经验知识，再结合现有技术可以进一步加速问题的求解，辅助研发人员做出更优更高效的决策。

3. 前端 vs 后端：ML适用的差异

出于技术的天然契合性，目前EDA后端的设计和制造涉及到的数据类型，天然地可以被表示为几何图形，因此非常适合把原本应用在图像上的ML和DL技术做横向迁移。但是，前端设计以及验证里的问题，通常都是布尔函数表达下的组合搜索问题，这一类问题是目前公认ML或者DL很难求解或者精度上还没有能超越传统方法的问题。

验证的核心目标： 在有限时间内，尽可能完整地覆盖到所有的系统状态，同时，尽可能多地找出功能或性能上的bug并进行修复，以确保系统的正确性。

4. ML在验证中的两大分支

• 动态仿真验证： 主要围绕如何通过ML提升测试效率或调试效率。
• 形式验证： 主要围绕提升底层SAT求解器效率或上层模型检查效率的ML研究工作。

▲ ML主题文章里各细分领域的占比（后端研究增加明显）

三、最大的挑战来自哪里？

EDA行业的标准流程经历了几十年的发展，相对完善，当前ML技术通常是作为一个传统功能模块的替代，而一个end2end的ML方案很难被接受，建模空间自然会受到限制。具体来说，挑战集中在以下三个方面：

挑战1：数据安全与模型所属权

ML模型的引入可能会导致数据安全和模型所属权的问题。例如，客户A的设计和供应商的IP可能会在不知情的情况下被ML模型学习到，再在模型提供服务的时候被客户B使用。

挑战2：模型有效期短

IC领域发展迅速，每一代技术节点对应的设计与制程都不一样。如何提高当前训练的ML模型的有效期，是必须面对的挑战。

挑战3：数据有限、精度不高、解释性差

数据有限、精度不高、解释性不好等问题，依然在限制AI技术的应用。比如，现在的AI技术很难给到用户其预测结果的合理解释，使得用户对于其预测结果的信任度不高。特别是在IC研发这样安全性要求非常高的领域，这一问题可能会被进一步放大。

常见问题： 为什么ML模型在芯片验证中很难被信任？
回答： 因为ML模型通常是一个“黑箱”，它给出预测结果但无法解释“为什么”。在芯片设计这样一次流片成本动辄上千万美元的领域，设计师无法接受一个无法解释的决策。因此，模型的可解释性（Interpretability）是决定ML能否在EDA中落地的关键瓶颈之一。

四、系统级需求：驱动ML应用的三大方向

技术发展的挑战，最终还是需要通过技术发展来解决。未来ML技术需要朝着以下三大方向继续发展，才能解决以上应用的痛点：

• Reusability（可复用性） —— 训练好的模型能够在不同项目、不同设计节点间复用，降低重复训练成本。
• Evolvability（可演进性） —— 模型能够随着工艺节点和设计风格的演进，自动适应或微调，延长有效期。
• Interpretability（可解释性） —— 模型能够给出决策的依据，让用户敢于信任并使用其预测结果。

同时，为了更好的支撑ML技术在验证里的应用，我们应该倡导系统级别的协同设计，进而发展出对ML更为友好的基础设施，例如：

• 生成更可见、包含更多关系的数据；
• 构建更适合于ML数据存放、使用和更新的数据仓库；
• 提供ML模型更多和EDA系统交互及请求的权限。

结语：AI+EDA，前路漫长但方向已明

作为撬动芯片及系统创新的关键杠杆，EDA近些年在智能化、自动化的方向上一路狂奔，但属于这个领域的“ChatGPT”或者“AlphaGo”级别的突破，目前还没有出现。

唯一可以确定的是：AI与EDA的创新融合，绝不是简单形式上的增加，也不是摆在桌子上的自助餐，依然没有可以完全依循的标准答案，而是存在于各个隐秘的角落，亟待产业与学界的深入探索。

不只是EDA，AI技术的发展对芯片设计的影响，其实还有很多，体现在算法、架构等很多方面。5月19日，芯华章科技资深产品和业务规划总监、芯华章研究院研究部部长杨晔，将就高性能计算的AI设计挑战及解决方案，聊聊从底层到应用的技术创新影响。欢迎大家报名参与！