芯片设计如何突破人类极限？

当工具的版本更新后，情况有所改善。试想如果综合工具能够带着物理信息进行综合，或者至少能够连接到布局引擎，从而在移交之前对整个布局进行最终检查，又或者如果布局工具能够在移交之前连接到签核时序分析工具以进行签核分析，那么就可以减少差异。

目前采用这种流程的解决方案还不足以处理使用深亚微米工艺节点的大型复杂设计。实现流程仍然需要迭代，存在多次有损移交，并仍会占用太多宝贵的人力资源。要解决这种情况还需要另外两大创新：一是将逻辑综合、布局布线、时序签核这三种工具集成到超融合流程中的一体化解决方案中，二是利用人工智能（AI）推动设计实现。

将这三种工具整合到一个环节中可以避免实现流程中出现意外情况。如果一个特定的优化策略可能带来布局的问题，或者一个特定的布线可能破坏时序，这个集成式解决方案会“一清二楚”，并且可以主动避免问题的发生。由于不需要再使用保守估定的裕量，因此可以节省时间和资源，同时提升PPA结果。

AI技术会自动探索可用选项，借鉴过往项目经验，并以最少的人力自主实现PPA目标，从而为实现流程的各个环节带来好处。

新思科技利用其设计空间优化AI（DSO.ai）技术和其Fusion Compiler RTL-to-GDSII实现系统提供了一个AI驱动的设计实现解决方案。这种独特的一体化实现流程确保AI驱动的优化可以依靠一个融合的RTL-to-GDSII流程来提供一致可靠的反馈，从而有效探索数万亿种可能性，而无需管理多个工具之间的各种移交和差异。

AI驱动的探索之所以能带来改进，其关键在于设计优化的本质依赖于启发式算法。没有哪个启发式算法，甚至于哪套启发式算法，对每种设计都最适合。EDA供应商选择的是在所有设计中整体结果表现最佳的启发式算法。每个工具中通常还隐藏着另外几十个选项，方便有经验的现场应用开发者在具体的设计中使用，但由于时间、资源和专业知识方面的限制，用户手动探索这些选项根本行不通。

对逻辑综合来说尤其如此。布局阶段可供发挥的自由度相对有限，因为各个门及其之间的互连已经固定。在综合过程中，AI驱动的优化可以做出架构层面的决策，帮助将PPA结果提高两位数。

在综合期间启用AI驱动的优化还会带来显著的效率优势。由于RTL-to-GDSII全流程启用AI，因此在一个设计环节中获得的经验可以被后续所有设计环节无缝地有效利用，这既缩小了需要优化的设计空间，也可以在使用较少计算资源的情况下缩短结果生成时间。一项近期的案例分析表明，对于同样的PPA和结果生成时间目标，如果拥有来自逻辑综合阶段的学习数据库，那么AI驱动的布线优化环节所使用的计算资源最多可以减少到原来的十分之一。

这些经验都会被保存下来，以便开发者可以在之后的工作中利用这些知识来进行衍生或高度相关的设计，从而提高AI驱动优化的效能和效率。这提供了人类探索永远都无法实现的PPA优化机会，并且开发者不再需要跟踪了解哪些设置效果最好。

虽然在不同的公司之间共享学习数据库并不容易，但共享AI配置和人类的AI经验却不难。通过积累各类AI驱动的优化做法，DSO.ai提供了一系列SpaceWare应用（App）来执行常见的优化，比如流程、库、功耗、版图规划和电压，并成功做到开箱即用。全球SNUG活动中的客户演示表明，在这些应用的帮助下，各种类型的设计和工艺节点中实现了面积缩小多达15%，功耗降低了20%，并且工作频率加快了25%。

超融合流程中集成工具的独特组合以及在逻辑综合和布局中部署AI技术，为实现当今最先进的芯片设计提供了必要的解决方案。这是一个快速创新的领域，每天都有新的客户成果出现。