为什么“AI+EDA”如此让人向往？

当下大规模的芯片已经可以包含超过 100 亿个晶体管，而芯片研发的生产效率（Gates/Day）却没有办法保持同步的提升，两者之间存在一定距离。有研究表明，验证在某些项目中的耗时占比甚至超过70%，验证的效率因此成为了关键中的关键。

 芯片规模和生产力的矛盾

另一个问题是成本。由于芯片的研发成本非常之高，单次研发失败的概率理应被降到最低，验证的重要性自然不言而喻。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的算法和流程。

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，机器学习技术是现有和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。

而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，再结合现有的技术可以进一步加速问题的求解，就可以辅助研发人员做出更优更高效的决策。

AI如何融入EDA？

看起来，我们似乎已经找到了这条通往答案的隐秘路径，但现实却更为复杂。

出于技术的天然契合性，目前因为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技术做横向的迁移。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。

简单来说，验证的目的是——在有限时间内，尽可能完整地覆盖到所有的系统状态，同时，尽可能多的找出功能或性能上的错误（bug），并进行修复以确保系统的正确性。

我们可以依据其实现的方式，大致分为两类——动态仿真和形式验证。目前在仿真验证里，关于融入AI的研究主要围绕如何通过ML提升测试效率或调试效率；在形式验证里则是围绕提升底层SAT求解器效率或上层模型检查效率的ML研究工作。

ML主题的文章里各细分领域的占比：

后端上的研究增加明显

最大的挑战来自？

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。

一方面，ML模型的引入可能会导致数据安全和模型所属权的问题。比如说客户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。

另一方面，IC领域的发展迅速，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。

最后，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。

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的技术需要朝着 reusability + evolvability + Interpretability 的三大方向继续发展，才能解决以上这些应用的痛点。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等。

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。