机器学习正在逐步影响EDA行业，通过用EDA工具来对普遍的问题建议解决方案，能够为设计团队减少数周甚至数月的艰难工作，从而大大的降低设计成本。

  使用机器学习技术也将扩大EDA工具的潜在市场，为更多公司设计出更多的芯片，甚至是全新的设计，打开了新世界的大门。

  “需求有巨大的弹性，一旦有任何让工具运行速度更快或者占用更少资源的创新，人们立马会用这个技术去做更多的并行执行，或者承担更大的任务，设计更大的芯片。”CogniteVentures首席执行官ChrisRowen博士说。ChrisRowen博士同时也是Tensilica的创始人，2013年Tensilica被Cadence收购后，他成为Cadencefellow。

  效率的提高使得工程团队能够做其他的工作，工作内容更加多样化，NVIDIA资深技术总监TingKu评论道，“实际上，受益于效率提高，我们现在能够完成之前来不及做的任务。”

  这对于EDA工具供应商来说应该是个好消息。“我们曾经要做5项任务，现在需要使用10种工具去做10项不同的工作”，Ku补充道，“例如借助EDA工具来进行测试，这就是增长点。”

  乍一看，解决问题好像会减少工具的销售量，但事实并非如此。

  Mentor(现为西门子旗下业务)的首席验证科学家HarryFoster说：“当我们想出了在测试中如何加速固定型故障(stuck-at-fault),现在才有足够的时间去做时序收敛和其他验证;而过去工具不够强大的时候，根本是来不及做的。“

Justgettingstarted

  尽管前途大好，但用机器学习增强EDA，才刚刚起步。

  “我们一直在思考的一个问题是，在实际给予客户更大帮助的同时，应该采取怎样的收费模式。”ANSYS半导体事业部首席技术专家NormanChang说，“当涉及到现有工具上的机器学习增强功能，客户可能不会愿意支付额外的钱，而脱离既有工具空谈机器学习也是不可能的，那怎样的商业模式对于客户和EDA厂商来讲才是双赢的合作呢?答案还不清楚。”

  虽然有可能在现有工具架构之上进行机器学习增强，UCSD的AndrewKahng教授指出，当谈到在EDA工具应用机器学习能力时，“内嵌”机器学习能力，和“围绕”附加机器学习能力，有着很大差别：“围绕”附加机器学习，能够以相对较低的投入获得更快的价值回报，出于投资回报率的考虑人们会从这里起步。

  Kahng引用高通的一篇最新论文，在其班加罗尔设计中心，测试了资源管理和调度优化，例如当一个RTLbug在设计后期出现，你是需要购买新的服务器来管理20+正在进行的项目呢，还是仅仅重新配置现有资源就够了。如果能够节约数百万美元或几周的时间，将是非常明显的巨大价值。所以，那些“围绕”现有工具构建的优化，将率先发生。

  “也许在EDA的未来，EDA不再像往常一样，额外附加机器学习能力，我们将看到新一代的EDA工具从架构上就与机器学习相容，从而使得工具的结果更加可预测。那将是一种全新的核心EDA——包括布线，优化，芯片布局规划等，其稳定性更高，混乱无序状态更少。”

  对Rowen而言，这仍是或多或少用机器学习来改进传统EDA流程。他说，“周围”的方法利用多种工具的异构集成。“你总是在局部地解决数据问题，因为今天如果你既得考虑模拟仿真和验证覆盖率，又要得到布局布线拥塞数据，没有一个能够考虑所有因素的全局解决方案。但某些机器学习技术，特别是深度学习，在整合多种数据类型，并找出每种类型输入中，哪些因素应当被考虑时，是非常有效的。

  只要它和某些结果之间的联系是预定的，那么所有这些数据都能够被一股脑儿丢进去处理，系统能够找出决定产出的关键因素，例如究竟是timingmargin的设置，还是物理设计规则在起作用，Rowen说，机器学习方法能够从多种工具的顶层提取数据来做整体的分析。几年前，我们解决了整个数据库的问题，不是单纯地读取其他工具的输出，而是做数据聚合和数据挖掘。当我得到所有这些工具的统计结果时，它所描绘的是怎样一种宏观图景?就洞察力而言，机器学习独一无二。

  从根本上来说，任何增强，都必须优化时间或者结果的质量，Synopsys的研发总监SashiObilisetty指出，“必须要给客户赋能，让客户能够优化设计，也许深度学习是能够综合实现这些目标的手段。这关乎实验，合作，然后提出一个可行的解决方案。在EDA领域，我们与客户的协作如此深入，持续这样的合作尤为重要。“

  Ku表示认同，“像ANSYS或Synopsys这样的EDA公司，拥有多项针对不同领域解决工程难题的工具。但在现实中，跨领域的解决问题是非常困难的。而机器学习能够非常不错地解决这些跨领域的问题。”

GPUsinEDA?

  另一个要考虑的可能性是，在GPU上运行增强机器学习能力的EDA工具。虽然GPU已经是训练机器学习系统的首选平台，但将来要不要应用于EDA，还尚未可知。

  Ku表示，“当我跟EDA供应商聊这个话题，我认为他们会从小的问题开始——仅仅增强现有的流程。这些小问题可以在CPU上以传统方式来解决，大家暂时也还不愿意购买GPUfarm(集群)。除了Nvidia-我们已经拥有了GPUfarm，可以与我们合作。”可以预测，终将有一天，问题会达到一个特定的拐点，变得如此艰难，如此复杂，变量维度如此之多，你必须使用GPU来解决你的问题。现在还不是时候，但我相信它的成长轨迹，已经预示了这一天必将到来。”

  Obilisetty指出，Synopsys正在研究怎样在GPU上运行传统的工具，但需要大幅地调整工具架构，工作量绝对不是一点点。

  “只要付诸努力，这些都能被实现，”她说。“同样的，引入机器学习的概念和技术，我们需要重新构思工具。我们希望能够智能地少做模拟和分析却不降低结果的质量，这从非易事。但如果我们能够采用更多的机器学习，可以通过硬件实现更快的交付。我们正在为之努力。”

  然而，像SPICE仿真这样的经典工具，如，并不能很好地适应像GPU这样高度并行的浮点架构。“通过重建结构，可以勉强实现，”Rowen说。“机器学习和深度学习肯定是可并行的，所以他们在GPU等并行架构上运行良好。这里有两个问题需要回答：使用的是什么类型的技术?是用机器学习做简单的统计分析，还是需要大量的深度学习?”

  机器学习往往不是计算密集型的，更重要的是理解如何使用正确的模型。“深度学习，可以肯定，是计算密集型的，尤其是在训练和推理上，”Rowen说。“对第一种情况而言，如果不是计算密集型问题，那CPU可能就足够了。但在训练和推理领域，需要什么样的硬件架构，取决于该任务的重要性，例如现在构建更加专业的高并行图像处理推断引擎的人越来越多，预计未来也会出现类似图像处理这样的任务，需要GPU集群。然后对于EDA工具所需要的培训和推理能力，我认为现在基于服务器的主流硬件基本足够了。”

  然而，Kahng坚持机器学习可能比大多数人想象的更接近。“无论是观看Kaggle平台上的竞赛(注：Kaggle是由联合创始人、首席执行官AnthonyGoldbloom2010年在墨尔本创立的，主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台)，还是AlexNet，SqueezeNet等的进步，你可以看到高品质开放源码堆栈的巨大商业化可能。想想90/10规则。在过去二十年里，我们有一整套规范的机器学习开发技巧，加上很多IC设计已经很容易实现，可以轻松地解决90%的问题。我们可以提前预测布线DRC;或预测slew计算误差;或预测两个golden分析工具之间的差异;再如跑15个corner，然后预测其他50个corner下的端点slack。这些都是极富价值的机器学习应用。一旦你能够给某一种工艺训练出数据模型，例如一个特定的16nmFinFET的工艺库、后端金属层、工具链，那这个数据模型将一直好用。

  即使该数据模型中可能包含成千上万的参数，他认为投资机器学习建模的回报是令人叹服的，并将持续下去。

  收集数据有一个小问题，Kahng补充指出，设计，设计实现和设计目标总是在不断变化的。“我敢肯定，人们在创造大数据方面富有创造性，但他们会非常仔细地关注收益和回报。”

  与此相关的是，公司之间并未真正地共享数据，机器学习的基础设施尚未形成，这是需要解决的问题。

  “小数据的问题也许需要一个数据同化的过程，其中的专有信息保存，然后公司愿意免费共享非专有信息”Ku说，“今天，Facebook和谷歌正在收集我们所有的信息，我们却处之泰然，是因为数据抽象后，并非特定的“我”做了什么。也许需要某种数据抽象方法，以解决小数据问题，让所有公司都可以共享他们的数据。”

  另一个搜集海量数据的机会是在foundry。“最理想的情况是你从工艺制造流程中搜集到匿名大数据，并借此建立真正的关联数据模型”，Rowen说，“整个行业都会因此受益，但由于大家的害怕，可能会出现没人愿意参与的‘公地悲剧’。”

  最后，Kahng指出，对于机器学习技术短期内“围绕”加入EDA工具，再到未来真正的“内嵌”到EDA中，围绕数据采集的思维，必须从根本上改变。

  “那么，小公司如何才能利用大公司采集的数据呢?这是一个全行业的基础设施-包括匿名化，规范化和模糊化标准。早在1999年，METRICS就非常超前的，利用FlexLM和Splunk，将所有的报告日志填充到数据库中。当时，StefanusMantik博士使用Oracle8i来写Synopsys和Cadence的SP&R工具封装。如今，数据管道和分析方法高度商品化，我们预计客户将会很快处于一个临界点：他们会咬紧牙关，收集设计数据，利用机器学习来解决各种艰难的设计挑战。我坚信，现在是开放和共享的时代，”他补充说。

  今天有一件事情是确定的——没有捷径可走。“我大约两年前开始使用这些技术，但开始时没有人相信这会有效，”Ku说。“我负责内部工具研发——尽管工程师们开始将信将疑，但他们必须使用我的工具;后来大家都看到了机器学习的成效，开始相信这一技术。接着我告诉外部的EDA供应商，可以利用机器学习技术来解决问题，使这些工具更好。猜猜发生了什么?供应商们开始也并不相信。直到大约一年前，我给ANSYS演示了我的团队开发的内部工具，他们才开始认可机器学习的价值。耳听为虚，眼见为实——这适用于内部客户，适用于EDA世界，也将适用于世界其他领域–人性使然“。

  小编总结，在EDA中使用机器学习，将注定是一条需要不断被实践所证明和认可，而愈走愈宽的道路，让我们拭目以待。