在電子領(lǐng)域，集成電路 （IC） 芯片是進(jìn)步背后看不見(jiàn)的動(dòng)力源。每一次飛躍——無(wú)論是更智能的手機(jī)、更強(qiáng)大的汽車(chē)，還是醫(yī)療保健和科學(xué)領(lǐng)域的突破——都依賴(lài)于比以往任何時(shí)候都更復(fù)雜、更快、功能更豐富的芯片。但創(chuàng)造這些芯片不僅僅是純粹的工程天賦或野心的問(wèn)題。設(shè)計(jì)過(guò)程本身已經(jīng)達(dá)到了驚人的復(fù)雜程度，隨之而來(lái)的是保持生產(chǎn)力和質(zhì)量向前發(fā)展的挑戰(zhàn)。

當(dāng)我們突破物理學(xué)的界限時(shí)，芯片制造商面臨的不僅僅是技術(shù)障礙。勞動(dòng)力挑戰(zhàn)、緊迫的時(shí)間表以及構(gòu)建可靠芯片的要求比以往任何時(shí)候都更加嚴(yán)格。為了確保芯片布局遵循詳細(xì)的約束，例如保持晶體管和導(dǎo)線(xiàn)的最小特征尺寸，在金屬、多晶硅和有源區(qū)域等不同層之間保持適當(dāng)?shù)拈g距，并確保過(guò)孔正確重疊以創(chuàng)建牢固的電氣連接。這些設(shè)計(jì)規(guī)則隨著每一代新技術(shù)而倍增。對(duì)于每一項(xiàng)創(chuàng)新，都面臨著事半功倍的壓力。因此，問(wèn)題變成了：我們?nèi)绾螏椭O(shè)計(jì)師滿(mǎn)足這些需求，技術(shù)如何幫助我們?cè)诓挥绊戀|(zhì)量的情況下處理復(fù)雜性？

轉(zhuǎn)變范式：人工智能在電子設(shè)計(jì)自動(dòng)化中的興起

整個(gè)電子設(shè)計(jì)自動(dòng)化 （EDA） 領(lǐng)域正在掀起一股重大變革浪潮，電子設(shè)計(jì)自動(dòng)化 （EDA） 是芯片制造商用來(lái)設(shè)計(jì)、分析和驗(yàn)證當(dāng)今芯片內(nèi)部復(fù)雜集成電路的軟件和工具的專(zhuān)業(yè)領(lǐng)域。人工智能已經(jīng)觸及芯片設(shè)計(jì)流程的許多部分——幫助放置和布線(xiàn)、預(yù)測(cè)良率結(jié)果、調(diào)整模擬電路、自動(dòng)化仿真，甚至指導(dǎo)早期架構(gòu)規(guī)劃。人工智能不僅僅是加快舊步驟，而是為新的思維和工作方式打開(kāi)了大門(mén)。

機(jī)器學(xué)習(xí)模型可以幫助預(yù)測(cè)缺陷熱點(diǎn)或在發(fā)送要制造的芯片之前很久就確定風(fēng)險(xiǎn)區(qū)域的優(yōu)先級(jí)。

人工智能不是暴力計(jì)算或無(wú)數(shù)行自定義代碼，而是使用先進(jìn)的算法來(lái)發(fā)現(xiàn)模式、組織大量數(shù)據(jù)集并突出顯示可能需要數(shù)周手動(dòng)工作才能發(fā)現(xiàn)的問(wèn)題。例如，生成式人工智能可以幫助設(shè)計(jì)人員用自然語(yǔ)言提出問(wèn)題并獲得答案，從而簡(jiǎn)化日常任務(wù)。機(jī)器學(xué)習(xí)模型可以幫助在發(fā)送要制造的芯片之前很久就預(yù)測(cè)缺陷熱點(diǎn)或確定風(fēng)險(xiǎn)區(qū)域的優(yōu)先級(jí)。

人類(lèi)專(zhuān)業(yè)知識(shí)和機(jī)器智能之間日益增長(zhǎng)的合作伙伴關(guān)系正在為一些人所說(shuō)的“左移”或并發(fā)構(gòu)建革命鋪平道路——在設(shè)計(jì)過(guò)程的早期發(fā)現(xiàn)并解決問(wèn)題，以免它們發(fā)展成為代價(jià)高昂的挫折。對(duì)于芯片制造商來(lái)說(shuō)，這意味著更高的質(zhì)量和更快的上市時(shí)間。對(duì)于設(shè)計(jì)人員來(lái)說(shuō)，這意味著一個(gè)專(zhuān)注于創(chuàng)新而不是追逐錯(cuò)誤的機(jī)會(huì)。

物理驗(yàn)證瓶頸：為什么設(shè)計(jì)規(guī)則檢查比以往任何時(shí)候都更難

隨著芯片變得越來(lái)越復(fù)雜，設(shè)計(jì)中稱(chēng)為物理驗(yàn)證的部分成為一個(gè)關(guān)鍵瓶頸。物理驗(yàn)證檢查芯片布局是否符合制造商的嚴(yán)格規(guī)則，并忠實(shí)地匹配原始功能原理圖。其主要目標(biāo)是確保設(shè)計(jì)能夠可靠地制造成工作芯片，不存在可能導(dǎo)致日后故障的物理缺陷。

設(shè)計(jì)規(guī)則檢查 （DRC） 是物理驗(yàn)證的支柱。DRC 軟件會(huì)掃描芯片布局的每個(gè)角落是否存在違規(guī)行為，這些特征可能會(huì)導(dǎo)致缺陷、降低良率或僅僅使設(shè)計(jì)無(wú)法制造。但今天的芯片不僅更大，而且更大。它們更加復(fù)雜，由多層邏輯、內(nèi)存和模擬組件編織而成，有時(shí)以三維形式堆疊。規(guī)則也不簡(jiǎn)單。它們可能取決于幾何形狀、上下文、制造過(guò)程，甚至遠(yuǎn)處布局特征之間的相互作用。

傳統(tǒng)上，DRC 是在流程后期執(zhí)行的，此時(shí)所有組件都組裝到最終的芯片布局中。在這個(gè)階段，發(fā)現(xiàn)數(shù)百萬(wàn)起違規(guī)行為是很常見(jiàn)的，而解決這些后期問(wèn)題需要付出大量努力，從而導(dǎo)致代價(jià)高昂的延誤。

為了盡量減少這種負(fù)擔(dān)，人們?cè)絹?lái)越關(guān)注在流程的早期轉(zhuǎn)移剛果民主共和國(guó)——這種策略稱(chēng)為“左移”。工程師們不是等到整個(gè)設(shè)計(jì)完成，而是嘗試在模塊和單元級(jí)別更快地識(shí)別和解決 DRC 錯(cuò)誤。這種并發(fā)設(shè)計(jì)和驗(yàn)證方法允許在修復(fù)更快、破壞性更小的情況下捕獲大量錯(cuò)誤。

然而，當(dāng)塊不是 DRC 清潔時(shí)，在全芯片上運(yùn)行 DRC 會(huì)產(chǎn)生規(guī)模驚人的結(jié)果數(shù)據(jù)集——通常是數(shù)千萬(wàn)到數(shù)十億個(gè)“錯(cuò)誤”、警告或標(biāo)志，因?yàn)榕c經(jīng)過(guò)完整設(shè)計(jì)過(guò)程的芯片相比，未完成的芯片設(shè)計(jì)是“骯臟的”。駕馭這些“骯臟”的結(jié)果本身就是一個(gè)挑戰(zhàn)。設(shè)計(jì)師必須確定要解決哪些問(wèn)題的優(yōu)先級(jí)，確定指向系統(tǒng)問(wèn)題的模式，并決定什么真正重要。在許多情況下，這項(xiàng)工作是緩慢且“手動(dòng)的”，這取決于工程師對(duì)數(shù)據(jù)進(jìn)行分類(lèi)、過(guò)濾重要內(nèi)容以及在團(tuán)隊(duì)之間共享發(fā)現(xiàn)的能力。

為了應(yīng)對(duì)，設(shè)計(jì)團(tuán)隊(duì)精心設(shè)計(jì)了限制信息泛濫的方法。他們可能會(huì)限制每個(gè)規(guī)則的錯(cuò)誤數(shù)量，或者使用非正式的快捷方式——通過(guò)電子郵件將數(shù)據(jù)庫(kù)或屏幕截圖傳遞給團(tuán)隊(duì)成員，在聊天消息中共享過(guò)濾器，并依靠專(zhuān)家來(lái)知道在哪里查找。然而，這種做法是不可持續(xù)的。它可能會(huì)遺漏可能貫穿最終產(chǎn)品的主要、芯片范圍的問(wèn)題。它減慢了響應(yīng)速度，使協(xié)作變得勞動(dòng)密集型。

隨著持續(xù)的勞動(dòng)力挑戰(zhàn)和現(xiàn)代芯片的復(fù)雜性不斷上升，對(duì)更智能、更自動(dòng)化的 DRC 分析的需求變得迫切。那么，更好的解決方案會(huì)是什么樣子，人工智能如何幫助彌合差距呢？

人工智能驅(qū)動(dòng)的 DRC 分析的興起

人工智能最近的突破以幾年前不可想象的方式改變了剛果民主共和國(guó)分析的游戲規(guī)則。人工智能驅(qū)動(dòng)的系統(tǒng)可以處理數(shù)十億個(gè)錯(cuò)誤，將它們聚類(lèi)為有意義的組，并幫助設(shè)計(jì)人員更快地找到根本原因，而不是逐行掃描或逐個(gè)檢查。這些工具使用計(jì)算機(jī)視覺(jué)、高級(jí)機(jī)器學(xué)習(xí)和大數(shù)據(jù)分析等技術(shù)，將曾經(jīng)看似不可能的一堆信息轉(zhuǎn)化為行動(dòng)路線(xiàn)圖。

人工智能能夠組織混亂的數(shù)據(jù)集——發(fā)現(xiàn)隱藏在多個(gè)規(guī)則或區(qū)域中的系統(tǒng)問(wèn)題——有助于發(fā)現(xiàn)基本過(guò)濾可能遺漏的風(fēng)險(xiǎn)。通過(guò)對(duì)相關(guān)錯(cuò)誤進(jìn)行分組并突出顯示熱點(diǎn)，設(shè)計(jì)人員可以看到大局并將時(shí)間集中在重要的地方?；?AI 的聚類(lèi)算法可靠地將數(shù)周的手動(dòng)調(diào)查轉(zhuǎn)化為幾分鐘的引導(dǎo)式分析。

人工智能驅(qū)動(dòng)的系統(tǒng)可以處理數(shù)十億個(gè)錯(cuò)誤，將它們聚類(lèi)到有意義的組中，并幫助設(shè)計(jì)人員更快地找到根本原因。

另一個(gè)好處：協(xié)作。通過(guò)將結(jié)果視為共享的動(dòng)態(tài)數(shù)據(jù)集（而不是靜態(tài)表），現(xiàn)代工具使團(tuán)隊(duì)能夠分配所有者、注釋結(jié)果并在塊和分區(qū)工程師之間傳遞精確的分析視圖，甚至可以跨越組織邊界。動(dòng)態(tài)書(shū)簽和共享 UI 狀態(tài)減少了混亂和返工。團(tuán)隊(duì)不是“來(lái)回”，而是一起前進(jìn)。

其中許多創(chuàng)新都預(yù)示了當(dāng)人工智能內(nèi)置到驗(yàn)證流程的核心時(shí)，會(huì)發(fā)生什么。它們不僅幫助設(shè)計(jì)師分析結(jié)果;它們幫助每個(gè)人推理數(shù)據(jù)、總結(jié)發(fā)現(xiàn)并做出更好的設(shè)計(jì)決策，一直到流片。

剛果民主共和國(guó)分析和協(xié)作領(lǐng)域的實(shí)際突破：西門(mén)子的 Calibre Vision AI

人工智能驅(qū)動(dòng)的 DRC 分析最引人注目的例子之一來(lái)自西門(mén)子，其 Calibre Vision AI 平臺(tái)正在為全芯片驗(yàn)證方式設(shè)定新標(biāo)準(zhǔn)。基于多年的物理驗(yàn)證經(jīng)驗(yàn)，西門(mén)子意識(shí)到，打破瓶頸不僅需要更智能的算法，還需要重新思考團(tuán)隊(duì)如何協(xié)同工作以及數(shù)據(jù)如何在流程中移動(dòng)。

Vision AI 專(zhuān)為速度和可擴(kuò)展性而設(shè)計(jì)。它使用緊湊的錯(cuò)誤數(shù)據(jù)庫(kù)和多線(xiàn)程引擎在幾分鐘內(nèi)加載數(shù)百萬(wàn)甚至數(shù)十億個(gè)錯(cuò)誤，并將它們可視化，以便工程師看到整個(gè)芯片中的集群和熱點(diǎn)。該工具沒(méi)有顯示錯(cuò)誤代碼或孤立的規(guī)則違規(guī)行為，而是顯示布局的熱圖，突出顯示問(wèn)題最集中的區(qū)域。通過(guò)啟用或禁用圖層（布局、標(biāo)記、熱圖）以及調(diào)整圖層不透明度，用戶(hù)可以清晰、可自定義地了解正在發(fā)生的事情以及下一步查看的位置。

Vision AI 使用先進(jìn)的機(jī)器學(xué)習(xí)算法分析每個(gè)錯(cuò)誤，以查找具有常見(jiàn)故障原因的組。

但真正的魔力在于人工智能引導(dǎo)的聚類(lèi)。Vision AI 使用先進(jìn)的機(jī)器學(xué)習(xí)算法分析每個(gè)錯(cuò)誤，以查找具有常見(jiàn)故障原因的組。這意味著設(shè)計(jì)人員可以一次解決根本原因，一次修復(fù)數(shù)百個(gè)檢查的問(wèn)題，而不是繁瑣地一一解決它們。例如，在傳統(tǒng)工具迫使團(tuán)隊(duì)艱難完成 3,400 次檢查和 6 億次錯(cuò)誤的情況下，Vision AI 的聚類(lèi)可以將這種工作量減少到僅調(diào)查 381 個(gè)組，將山脈變成鼴鼠丘，并將調(diào)試時(shí)間縮短至少 2 倍。

視覺(jué)人工智能也具有高度協(xié)作性。動(dòng)態(tài)書(shū)簽可捕獲分析的確切狀態(tài)，從圖層過(guò)濾器到縮放布局區(qū)域，以及注釋和所有者分配。共享書(shū)簽會(huì)向同事發(fā)送實(shí)時(shí)分析，而不僅僅是靜態(tài)快照，因此每個(gè)人都可以在同一視圖中工作。團(tuán)隊(duì)可以導(dǎo)出結(jié)果數(shù)據(jù)庫(kù)，將可作的組分發(fā)給阻止所有者，并將調(diào)查結(jié)果無(wú)縫導(dǎo)入到其他西門(mén)子 EDA 工具中以進(jìn)行進(jìn)一步調(diào)試。

為每位設(shè)計(jì)師賦能：縮小專(zhuān)業(yè)知識(shí)差距

芯片驗(yàn)證中的一個(gè)常見(jiàn)痛點(diǎn)是需要深厚的專(zhuān)業(yè)知識(shí)——了解哪些錯(cuò)誤很重要，哪些模式意味著麻煩，以及如何解釋復(fù)雜的結(jié)果。Calibre Vision AI 有助于創(chuàng)造公平的競(jìng)爭(zhēng)環(huán)境。其基于人工智能的算法始終如一地創(chuàng)建與高級(jí)專(zhuān)家相同的集群和調(diào)試路徑，但在幾分鐘內(nèi)即可完成。新用戶(hù)可以快速發(fā)現(xiàn)系統(tǒng)性問(wèn)題，并像經(jīng)驗(yàn)豐富的工程師一樣執(zhí)行，幫助芯片公司解決勞動(dòng)力短缺和員工流動(dòng)問(wèn)題。

除了集群和書(shū)簽之外，Vision AI 還允許設(shè)計(jì)人員利用自己的數(shù)據(jù)構(gòu)建自定義信號(hào)。該平臺(tái)保護(hù)客戶(hù)模型和數(shù)據(jù)以供獨(dú)家使用，確保敏感信息保留在公司內(nèi)部。通過(guò)與西門(mén)子的 EDA AI 生態(tài)系統(tǒng)集成，Calibre Vision AI 支持生成式 AI 聊天機(jī)器人和推理助手。設(shè)計(jì)人員可以直接提出有關(guān)語(yǔ)法、信號(hào)、流程的問(wèn)題，并獲得及時(shí)準(zhǔn)確的答案，從而簡(jiǎn)化培訓(xùn)和采用。

真實(shí)結(jié)果：加快分析速度并分享見(jiàn)解

來(lái)自領(lǐng)先 IC 公司的客戶(hù)反饋表明，人工智能在全芯片 DRC 分析和調(diào)試方面的實(shí)際價(jià)值。一家公司報(bào)告說(shuō)，Vision AI 將他們的調(diào)試工作量減少了至少一半，這一收益決定了流片和延遲之間的區(qū)別。另一位指出，該平臺(tái)的信號(hào)算法會(huì)自動(dòng)創(chuàng)建與有經(jīng)驗(yàn)的用戶(hù)手動(dòng)識(shí)別相同的檢查組，不僅節(jié)省了時(shí)間，還節(jié)省了精力。

定量收益是巨大的。例如，Calibre Vision AI 加載和可視化錯(cuò)誤文件的速度比傳統(tǒng)調(diào)試流程快得多。圖 3 顯示了四個(gè)不同測(cè)試用例的差異：傳統(tǒng)流程需要 350 分鐘的結(jié)果文件，而 Calibre Vision AI 僅花費(fèi)了 31 分鐘。在另一個(gè)測(cè)試用例（未顯示）中，只需 5 分鐘即可分析來(lái)自 380 多個(gè)規(guī)則檢查的 32 億個(gè)錯(cuò)誤并將其聚類(lèi)到 17 個(gè)有意義的組中。設(shè)計(jì)人員現(xiàn)在不再迷失在千兆字節(jié)的錯(cuò)誤數(shù)據(jù)中，而是花時(shí)間解決實(shí)際問(wèn)題。

展望未來(lái)：AI在芯片設(shè)計(jì)中的未來(lái)

當(dāng)今的芯片需要的不僅僅是 EDA 軟件的漸進(jìn)式改進(jìn)。隨著對(duì)速度、質(zhì)量和協(xié)作的需求不斷增長(zhǎng)，物理驗(yàn)證的故事將由更智能、更具適應(yīng)性的技術(shù)塑造。通過(guò)人工智能驅(qū)動(dòng)的 DRC 分析，我們看到了一條清晰的道路：一種更快、更高效的方式來(lái)發(fā)現(xiàn)系統(tǒng)問(wèn)題、智能調(diào)試、更強(qiáng)大的協(xié)作以及每個(gè)設(shè)計(jì)師都有機(jī)會(huì)產(chǎn)生專(zhuān)家影響。

通過(guò)將工程師的創(chuàng)造力與人工智能的速度和洞察力相結(jié)合，Calibre Vision AI 等平臺(tái)正在推動(dòng)全芯片分析的新生產(chǎn)力曲線(xiàn)。借助這些工具，團(tuán)隊(duì)不僅可以跟上復(fù)雜性，還可以將其轉(zhuǎn)化為競(jìng)爭(zhēng)優(yōu)勢(shì)。

在西門(mén)子，芯片驗(yàn)證的未來(lái)已經(jīng)初具規(guī)模——智能與直覺(jué)齊頭并進(jìn)，新想法比以往更快地進(jìn)入硅片。隨著行業(yè)不斷突破界限并解鎖下一代設(shè)備，人工智能將幫助芯片設(shè)計(jì)達(dá)到新的高度。