人工智能会改变EDA吗？

近年来，人工智能（AI）与机器学习 （ML） 已经在诸多应用领域取得了突破。而在传统的半导体领域，研究者们也探索了基于机器学习的芯片设计新方法。这些新算法通常会最先反映在芯片设计工具上，也就是我们常说的EDA工具。因此，这一研究方向通常可以被称为ML for hardware design，或者ML for EDA（严格来说前者的范围更大一些）。有时也称做智能化的EDA算法或者智能的IC设计方法。 本文将介绍ML for EDA这一EDA领域的热门研究方向。这一方向涉及到机器学习，数据结构与算法，电路设计与制造等基础知识，是典型的交叉研究方向。我们将从EDA的背景知识开始，介绍什么是ML for EDA， 为什么我们研究ML for EDA，该研究方向早期一些代表性的工作，当前商业化的进程，其他相关的研究方向，以及ML for EDA可能面临的挑战。  

01 什么是EDA? – EDA与芯片设计基础

芯片在我们的生活中无处不在。芯片的设计与实现涉及一个复杂的流程。以数字芯片为例，假设设计团队从已经完成的Verilog/VHDL代码出发，标准设计流程至少还要包括逻辑综合（logic synthesis），布局规划 （floorplan），时钟树综合（CTS），布局布线（placement & routing）等步骤。除此之外我们还需要进行大量的仿真和验证工作。在这个过程中，工程师需要权衡功耗，频率，面积等多个设计目标，同时还要确保制造出的芯片将正确运行各种功能。另外随着摩尔定律的进展，当下大规模的芯片已经可以包含超过 100 亿个晶体管。考虑到这种流程与设计的复杂性，几乎所有设计团队都需要商业EDA工具来辅助完成整个芯片设计。因此，如果我们把整个半导体产业比作一座金矿，EDA工具则也许可以被看做挖矿的铲子。在美国频繁限制半导体出口的当下，本身市值并不大的EDA产业越来越为人们所重视。

EDA的全称为Electronic Design Automation，即电子设计自动化。经过几十年的发展，EDA工具已经被用于芯片设计与制造流程的方方面面。EDA工具的质量将会影响最终芯片的质量（功耗，频率，面积）以及设计效率（产品上市时间）。因此，EDA算法研究者的目标通常至少包括两方面，一是芯片优化效果（功耗，频率，面积），二是EDA工具本身的效率（总耗时=工具单次运行时间* 使用该工具的次数）。 这里我们强调了EDA工具的使用次数，因为芯片设计不是一次完成的。通常工程师需要多次迭代各个设计步骤直至达成设计目标。每一次迭代，工程师可以修改工具参数或者芯片设计，并重新运行EDA工具，以期更好的芯片效果。对于大规模的芯片设计，仅执行部分设计流程每次即可花费数天至数周时间。因此，迭代次数越多，花费在EDA工具上的时间越多，最终流片以及产品上市日期就会越晚。后文将会介绍，很多ML for EDA工作的原理就是减少迭代次数，尽快让芯片质量收敛到设计目标。  

02 什么是ML for EDA？–  预测与优化

近年来，我们看到越来越多的ML for EDA方向的探索。如下图 [1] 所统计，发表在代表性EDA会议（DAC， ICCAD，ASP-DAC, ...）与期刊（TCAD）的相关工作数量逐年增加。

图1 历年发表的ML for EDA论文数量呈增加趋势 [1] 这些ML for EDA的方法在芯片设计流程中的作用大体可以分为预测（prediction）与优化（optimization）两大方面。下面我们分别举例来介绍这两类应用。 预测类工作通常使用ML模型对芯片优化的最终目标进行早期快速预测。利用ML模型的预测，设计师可以减少对耗时的EDA工具的使用，而直接预测EDA工具运行后的大致效果。基于ML预测，设计者可以及时调整设计参数。换句话说，ML模型通过快速预测EDA工具的行为，减少了运行EDA工具的次数。 一个典型的预测类工作例子就是，使用CNN模型在芯片绕线之前对（绕线后将会产生的）DRC热点（hotspot）进行提前预测 [2]。DRC热点指的是绕线后违反设计规则的区域。通过预测，EDA工具可以提前设法修改布局，避免未来阶段将会产生的DRC热点。这个工作可以类比于用CNN进行图像分类或者语义分割，其中芯片版图类似于图片，而需要预测的DRC热点位置类似于图片上需要分割的区块。

图2 预测类方法举例：使用CNN对DRC热点进行预测 [2] 相比于预测类工作，优化类工作需要做得更多。这里说的优化是一种比较宽泛的概念，指的是直接解决一些EDA问题。事实上大量EDA问题本质都是对于芯片在一定约束下的优化问题，而很多传统EDA算法是大家多年积累的（对这些问题的）优秀启发式解法。那么优化类ML方法追求的是比传统EDA算法更优或者更快的解法。这个解法可以帮助生成真实精确的芯片设计结果。 一个典型的优化类例子就是谷歌使用强化学习（Reinforcement Learning）进行macro 摆放（placement）[3]。通过强化学习算法，这个工作可以类比于AlphaGo进行围棋落子，其中芯片版图类似于围棋棋盘，而每一个macro元件的摆放位置类似于围棋每次最佳的落子位置。

图3 优化类方法举例：使用强化学习进行macro摆放 [3] 按照这种不太严格的分类方式，预测类ML方法能够减少EDA算法的使用次数，从而提高芯片设计效率。而优化类ML方法能够帮助生成更快或更好的设计。如果想要完全取代某些传统EDA算法，我们需要的是优化类方法。当然像布局布线这样包括百万元件的大规模优化问题，想直接取代传统EDA方法是困难的。目前我们看到更多的是ML方法融入EDA框架，起到重要的辅助性作用 [4]。

图4 EDA和ML方法的比较：应该将ML融入EDA方法 [4]  

03 为什么研究ML for EDA？

在深入介绍其他工作之前，一个需要回答的问题是，为什么我们要研究ML for EDA？换句话说，ML for EDA相比传统EDA算法有什么核心优势吗？这里尝试提供一种简单化的解释 [5]。

如背景中介绍，设计流程分为多个阶段。在大部分阶段，EDA工具很难直接去优化最终的设计目标，因为最终的设计目标只有在整个流程走完之后才会确定。于是EDA工具只能对最终的设计目标进行一个粗略估计。举例来说，布局（placement）算法可能会优化总线长（HPWL）与拥塞（congestion），但这个优化目标这并不总能反映最终的设计目标（最终芯片的功耗，频率，面积，DRC热点，等等）。 因此，除非每次都走完漫长的设计流程，不然前期的EDA工具并不能准确知道自己的解是否够好。为了保证设计收敛，一种策略是使用保守的早期估计，以给后期阶段留足余地（margin）。但这显然会牺牲芯片质量。另一种策略是不断调整参数进行反复多次迭代，以期获得更好的芯片质量。而这非常依赖专业设计师的经验，并且会花费大量设计时间。 ML for EDA算法的特点是它是由数据驱动的方法。通过学习已有的设计数据，早期使用ML预测可以获得更准确的最终优化目标，作为重要的早期反馈（early feedback）。于是预测类ML方法打通了不同设计阶段之前的障碍。而对于优化类ML方法，强化学习类型的方法通过探索巨大的设计空间，有可能获得比传统启发式算法更优的解。另外，一些ML方法可以学到工程师的优化经验，减少了对工程师经验的依赖。最后，ML方法在预测时通常非常快，所以如果不是规模太大，ML方法通常在运行速度上比传统方法会有数量级上的优势。  

04 代表性的ML for EDA研究工作

事实上ML for EDA的工作远远不止前文介绍的两个例子。而这些工作可以通过多种方法进行分类。

如果我们根据ML应用的阶段或步骤分类，ML已经被研究者尝试用于绝大部分设计阶段。根据相关文章的总结 [1]，应用ML模型的阶段可以包括1. 高阶综合（HLS）与设计空间搜索（DSE），2. 逻辑综合，3. 物理设计（从布局规划到布线），4. 光刻与制造，5. 验证与测试。除开数字电路之外，一些ML研究也对模拟电路的布局布线有一些尝试。

图5 历年应用在不同设计阶段的ML for EDA论文比例 [1] 如果我们根据ML预测或优化的目标分类，ML已经被研究者尝试用于大部分芯片优化目标，包括但不限于1.功耗（power），2.频率与延迟（delay or slack），3.面积与线长，4.拥塞（congestion）与规则检查（DRC），5.电压降（IR drop）与串扰（crosstalk）, 6. 可制造性（Manufacturability）。 以下尝试简单列举一些具体的ML for EDA工作。篇幅所限，显然难以穷尽。因此同类型里尽量列举较早期且较高引用的工作。对于更新更完整的ML for EDA工作总结，读者可以参考论文 [1] 或视频 [4]。 对于FPGA平台，在高阶综合（HLS）阶段，有工作训练ML模型来预测最终的FPGA资源的利用率以及是否时序收敛 [6]。其中预测的FPGA资源包括RAM，FF，LUT和DSP等。ML模型是MLP或XGBoost。ML模型的输入，输出，使用阶段如下图所示。

图6 HLS阶段对FPGA 资源利用率进行预测 [6] 同样在HLS阶段，ML可以进行设计空间探索（DSE）[7]。基本的方法就是用ML模型的预测结果指导每一次采样，然后根据采样结果重新训练ML模型，反复循环直至采样的设计获得足够好的结果。这里用到的ML模型是随机森林（RF）。这类探索任务也并不仅限于高阶综合。例如热门的用ML对EDA工具调参问题也属于相似的空间搜索任务。

图七 用ML（随机森林）进行设计空间探索（DSE）[7] 在RTL阶段，ML可以用于对逻辑综合后的功耗进行快速估计 [8]。换句话说，ML模型在设计早期进行快速功耗模拟。ML模型的输入是芯片每个周期所有RTL信号的翻转值（1代表信号翻转，0代表在该周期信号不变），而输出是芯片每个周期的总功耗。选取这个输入是因为芯片的动态功耗与逻辑门的翻转率正相关。这个工作 [1] 尝试了包括线性回归，PCA降维，CNN的各类基础ML模型。

图八 用ML模型（CNN或线性模型）来模拟每周期的芯片功耗 [8] 在逻辑综合阶段，ML模型可以用于对逻辑综合这一步骤的流程进行选择 [9]。这里ML模型被训练来预测最适合当前芯片设计的synthesis transformation的组合。该工作把各种transformation的组合方式编码成二维矩阵，然后用CNN模型来进行处理，预测它们属于是好流程还是坏流程。

图9 用ML（CNN模型）选择合适的逻辑综合流程 [9] 在物理设计（从布局规划到布线）阶段，一开始提到的macro摆放和DRC热点预测两个例子都属于这个阶段的工作。另外一个例子是对芯片上的电压降（IR drop）分布进行预测 [10]。类似于之前的例子，CNN模型可以预测IR drop过高的热点（hotspot）。这里模型的输入是瞬时的功耗分布。需要预测的IR drop与区域内的瞬时的功耗成正相关。

图10 用ML（CNN模型）预测电压降（IR drop）热点 [10] 除了以上这些用于数字电路的工作，对于模拟电路的探索也非常多。一个例子是直接使用ML生成对模拟电路绕线的指导（guidance） [11]。这里使用的ML模型是变分自编码器（VAE）。这个VAE模型的输入来源于模拟电路完成布局后，绕线之前的版图。

图11 使用ML（VAE模型）辅助模拟电路绕线 [11] 设计完成后，为了进行芯片制造，需要生成***使用的掩膜（mask）。对于先进制程，在掩膜生成的过程中，为了在晶圆上得到和设计相同的图形，光学邻近校正（OPC）是一个重要步骤。ML可以用于进行OPC [12]。这个工作使用生成对抗网络（GAN）来快速生成OPC后的掩膜。

图12 使用ML（GAN模型）进行光学邻近校正（OPC）过程 [12] 另外为了提高制造良率（yield），需要进行光刻（lithography）热点（hotspot）检测。光刻热点指的是制造后可能会出现短路或断路的区域。ML可以用于预测光刻热点 [13]。这个工作对每一块输入的芯片区域先进行离散余弦变换（DCT），然后使用CNN模型来判断该区域是否为光刻热点。

图13 用ML（CNN模型）对光刻（lithography）热点检测 [13]  

05 代表性的ML for EDA商业探索

除了学术界的探索，在工业界，EDA公司和芯片设计公司也对ML for EDA的方向表现出了很大兴趣。两大EDA公司Cadence和Synopsys已经推出了融合了一些ML算法的商业产品。

例如Cadence公司的物理设计工具Innovus在新版本中已经里面集成了一些机器学习工具，比如说在布线（routing）前提供对（布线后）时序的更准确估计。这个ML功能似乎获得了一些不错的评价 [14]。另外之前有报道Cadence集成的sign-off工具Project Virtus（Voltus + Tempus）也使用了ML [15]。更有影响力的是Cadence的Cerebus工具，通过基于强化学习的ML模型来调整RTL-to-GDSII的设计流程，减少对人工设计师的依赖 [16]。不过作为相关从业人员，我们很难了解这个产品的技术细节，例如这里的强化学习算法是如何迁移到不同的芯片设计的。 类似的，Synopsys也在更早推出了DSO.ai工具，也是用强化学习的方法自动优化设计流程 [17]。Synopsys的PrimeTime ECO工具也使用了ML模型。另外曾经的Mentor Graphics（现Siemens）也推出过使用基于ML预测的光学邻近效应修正（OPC）工具。 除了EDA公司之外，谷歌和英伟达的研究团队也积极探索了ML for EDA方向。这些是更偏研究性的工作。具体可以参考谷歌Jeff Dean和英伟达Bill Dally的相关主题演讲。 而在国内，受美国半导体政策影响，近年来不少优秀的国产EDA初创公司涌现。一些公司也开始探索了ML在EDA领域的应用。例如某国内公司最近发布了基于机器学习技术与布局规划工具，应该是将类似前文提到的谷歌macro摆放算法[1]实现了产品落地。个人认为这是一个比较有挑战性的任务。  

06 其他与ML for EDA相关的研究

除去以上介绍到的工作，还有一些热点研究方向也经常被大家归类到ML for EDA的研究当中。但严格来说，个人认为这些方向也许不能完全属于狭义的ML for EDA的范畴。

使用GPU对EDA算法进行加速是近年来非常火热的研究方向。例如使用GPU加速布局过程 [18]。这些方法巧妙利用了EDA问题的优化过程与深度学习训练过程的相似性。于是它们可以利用已有的深度学习框架，例如PyTorch，来进行基于GPU的快速优化。但这类方法不会去应用具体的ML模型，也没有基于数据的训练过程。

图14 使用GPU加速芯片布局过程 [18] 另外一个常被归类为ML for EDA的方向是：在芯片上实现ML模型，将它用于进行芯片运行时的监测，控制，或管理。例如利用ML方法，开发一个片上的实时功耗检测工具 [19]。使用ML方法的目的是减少这个模型在芯片上的硬件开销。严格意义上说，这更接近芯片设计而非EDA工具范畴，也许可以将它归类到ML for hardware design的范畴。

图15 使用ML开发的高效片上功耗检测模型 [19]  

07 ML for EDA面临的挑战

最后简单总结一下 ML for EDA可能会面临的一些挑战。而针对这些挑战，近年来大家也进行了一些尝试。

第一，训练所需的芯片设计数据非常难以获得。对于这个问题，一方面一些研究者开始提供公开的芯片设计数据集 [20]。另一方面，研究者探索了在保护数据隐私条件下的模型训练，例如基于联邦学习的方法 [21]，或者对训练数据进行一些加密。第二，开发和维护ML模型需要大量ML背景的工程师，而这对半导体公司来说并不容易。为了进一步提升自动化的程度，研究者探索了一些自动化的ML模型开发方法 [22]。这些工作一般基于深度学习领域已有的AutoML或者神经网络架构搜索（NAS）方法，然后对特定问题进行一些定制化设计。第三，由于芯片设计与制程的差异，ML方法的准确性难以保证可迁移性。另外ML方法的安全可靠性也需要更多保证。已经有不少研究ML方法安全与可靠性的初步工作。论文 [23] 中提供了一些总结。第四，从实际工程角度，ML方法如何更好地融入现有的EDA工具与芯片设计流程。这一点也许需要研究者与工业界共同进行探索。  

08 结语

本文大致介绍了ML for EDA这一热门研究方向。总体来说，ML方法在EDA领域提供的数据驱动的优势是极其独特的。考虑到这些特点，我个人确信更多的ML算法未来会融入芯片设计流程之中。但至于ML算法究竟会在未来的设计流程中占到多大比重，这当然取决于大家未来的探索与实践。非常期待基于ML的新方法能够推动EDA产业，特别是国产EDA产业的发展。

审核编辑 ：李倩