EDA中的AI与汽车中的AI有什么区别

AI 技术正在彻底改变它所涉及的每个领域，而在 EDA 中融入 AI 技术正在重塑整个汽车行业。随着 AI 技术在电子设计自动化（EDA）中的应用，汽车行业也正在经历深刻的变革。专家预计，2022 年到 2030 年，全球 AI 市场的复合年增长率（CAGR）将达到 39.4％，总规模达 207. 6 亿美元。这些变革正带来众多创新。

其中，AI 对高级驾驶辅助系统（ADAS）的开发已经产生深远影响。消费者不仅希望汽车能够提供交通服务，更希望汽车能够智能互联、自主驾驶、舒适安全。随着 AI 技术在电子设计自动化（EDA）工具研发中的应用，汽车正变得更加智能与自主。同时，AI 也在很大程度上改变了半导体行业，从片上系统（SoC）的设计、验证到封装莫不如此。

AI 技术在产品设计和开发团队中的广泛应用，有助于量身定制所有未来产品，以满足消费者的期望。嵌入到 Cadence 设计流程中的机器学习技术为设计团队提高了生产力，涵盖了从芯片设计、功能安全（FuSA）和计算流体动力学（CFD）的技术进步。在EDA中应用AI/ML技术，可以在边缘端（tinyML）快速且准确地做出决策。因此，可以说 EDA 中的 AI 技术就像汽车领域中的 AI 一样。在本文中，我们将深入地探讨 AI 在汽车革命中的作用。

AI 如何革新汽车行业？

随着半导体技术和消费者期望的提高，汽车行业正经历一场深刻的变革。预计到 2027 年，先进辅助驾驶系统（ADAS）、自动驾驶汽车、数字座舱等市场规模将达到 700 亿美元。此外，随着 AI 和边缘计算技术的普及，自动驾驶汽车已不再是幻想。深度学习的 AI 提高了准确性，有助于采用 ADAS 技术的汽车实现更高的自主性。同时，具备深度感知和全景视野的嵌入式 AI 视觉技术有助于事故预防、决策制定和车内辅助等。这些技术的进步使我们的汽车更安全、高效、舒适，带来更愉悦的出行体验。

虽然全自动乘用车辆（L5）尚未上路，但业界正密切关注着自主驾驶系统的发展。自动驾驶技术已经成功且安全地应用于最后一公里配送（LMD）。LMD 车辆以较低的速度行驶，因此对感知距离、制动距离和安全要求更低。此外，AI 技术的应用和自动驾驶的车辆有助于提高生产力，降低 LMD 的总体成本。

EDA 中的 AI

SoCs 集成的功能越来越多，但预算却十分有限，这给设计者带来了很大压力。传统的 EDA 工具使用“经验法则”，需要设计人员根据直觉进行优化。这种建模和仿真技术存在以下一些问题：

1	无法从以前的设计中汲取经验，导致生产力受限且设计不够准确
2	多次迭代导致设计时间增加
3	HLS 通常需要更多的时间来完成综合
4	布局和布线取决于设计师的预测/经验，会增加运行时间
5	就时间和资源而言，制造成本高昂

为确保设计的正确性，我们必须在制造之前进行设计验证。传统的随机/自动测试模式生成（ATPG）方案无法提高故障覆盖率。人工智能（AI）已经彻底改变了 EDA 行业。AI 中使用的训练和推断提高了芯片设计师的生产力，有助于设计出能够处理计算和 EDA 工具的芯片，帮助设计人员更快地收敛和验证，同时降低成本并提高结果质量。

AI/ML 如何改善设计空间？

AI/ML 非常适合 EDA 和汽车行业，可以加快设计速度，将其引入 EDA 工具无疑节省了设计人员的工作量。使用具有 AI 功能的 EDA 工具可以显著改变设计工作的轨迹，并有助于应对上述挑战。对设计团队的好处包括：

1	提高准确性和效率
2	前瞻可见性
3	满足雄心勃勃的功耗、性能和面积（PPA）目标
4	更出色的数据和芯片布局，更少的人为干预
5	加快设计收敛

EDA 中的 AI 与汽车中的 AI 

有何相似之处？

在 EDA 和汽车行业中，提高生产力并更快地取得成果以及改善 PPA 都是主要目标。通过各种应用和创新，AI 有望彻底改变 EDA 和汽车行业。无论是自动驾驶汽车、ADAS 还是 EDA，AI 和 ML 算法为实现这场电子革命和创造新复兴提供了机会。将 AI 功能融入现有的 EDA 工具，有助于使 EDA 设计过程更加高效和富有成效。采用 AI 及其衍技术有助于汽车厂商利用多学科分析和优化（MDAO）技术提高整体设计，从而实现更快速、更优质的结果。同时，系统的精确行为建模提高了产品保真度和安全性。

电子设计辅助系统（EDAS）

Cadence 产品

Cadence 提供带有 AI/ML 功能的 EDA 工具，能够从手动到完全自动化不同等级产生更好、更可预测的结果，如下图所示。我们的工具提供针对常见问题的解决方案建议，而这些问题如果由设计团队评估可能需要数周甚至数月的时间。同时，我们还在推动 ML 和深度学习研究，旨在改进 IC 的设计和验证收敛，不断优化设计。

Cadence AI/ML 解决方案/技术

Verisium AI-Driven Verification

Platform

代表了 EDA 算法的一次革命性转变，从单次运行、单引擎算法转变为利用大数据和人工智能优化整个 SoC 设计和验证中多次运行多个引擎的算法。通过部署 Verisium 平台，所有验证数据，包括波形、覆盖率、报告和日志文件，都被整合到 Cadence  JedAI 平台。我们会基于这些数据建立 ML 模型，并挖掘其他专有指标，创建一系列新工具，从而显着提高验证效率。

 

Cadence Joint Enterprise Data and 

AI (JedAI) Platform

可以加速基于 AI 的芯片设计。让设计团队从大量的芯片设计数据中获得有用信息，提高生产效率。工程师可以无缝管理结构化和非结构化数据。Cadence JedAI Platform 使设计人员更加轻松地应对新兴消费者、超大规模计算、5G 通信、汽车和移动应用等领域的设计复杂性。

 

Optimality Intelligent Chip Explorer

是加快上市时间以保持竞争优势的关键。Optimality Explorer 的多学科分析和优化（MDAO）技术有助于通过探索完整的设计空间实现最佳的电气设计，实现 10 倍的效率提升，并可用于 Level 3 及以上级别的汽车驾驶自动化。

 

Cadence Cerebrus Intelligent Chip 

Explorer

是一种革命性的、基于机器学习的芯片设计流程优化方法。它可用于复杂且大型地 SoC 系统针对 3 级及以上地自动驾驶技术，使工程师能够同时为多个模块优化流程，这对于大型复杂 SoC 尤为重要。此外，Cadence Cerebrus 采用全流程强化学习技术，可以显著提高工程团队的效率。

 

Xcelium ML

在整个仿真回归过程中迭代学习。内核引擎性能得到强化，通过匹配随机测试套件的覆盖率来减少仿真周期，从而加快验证吞吐量，非常适合 Level 3 及以上 SoC 设计。

 

Cadence Tensilica 处理器 IP 

支持用于 ADAS（L2）的激光雷达、雷达、自动驾驶摄像头等高性能数据处理。

 

Cadence Design IP 和

Cadence AWR RF to mmWave 解决方案

可帮助实现高性能、低成本的汽车雷达前端和波束天线阵列技术。

 

ADAS 和传感器融合

除此之外，Cadence 汽车创新平台为汽车制造商提供大力支持，推出了 Innovus ML, Allegro ML 和 Virtuoso ML 等工具，用于设计应用于 Level 2 和 Level 3 级自动驾驶的系统级芯片和 PCB。

 

在 ADAS 应用中借助AI技是实现车辆自动驾驶的关键。AI 正在帮助汽车制造商降本增效，保持市场领先地位。AI 的加入正在改变硬件和软件设计，帮助满足有限的 PPA 预算，并提供额外的安全结构。

基于 AI 的视觉和传感器的盲点监测、车道偏离和深度感知等应用可能让我们离控制自动驾驶汽车的梦想更加接近。

编辑：黄飞