通过机器学习重新获得力量

不久前，机器学习（ML）似乎是一个引人入胜的研究课题。然而，很快，它就从一个遥远的世界迅速过渡到新闻、广告牌、工作场所和家庭中的普遍存在。这个概念本身并不新鲜，但显然导致它起飞的是许多应用程序中数据的快速增长和更多的计算能力。在离家更近的地方，在我们自己的EDA和IC设计世界中，对ML的潜力也有类似的兴奋。期望很高，但关键问题是：ML有哪些有意义的机会以及采用提高设计师生产力的实用方法？

EDA 中有几个明显的领域可以从 ML 中受益，包括建模、寄生提取、路由和良率分析。然而，对于所有设计人员来说，一个日益严峻的挑战领域是满足最重要的功耗、性能和面积 （PPA） 目标，这是应用基于 ML 的优化的理想候选者。由于更多功能、高级流程、变化和更多操作场景，设计的复杂性不断增加，导致设计收敛的工程变更单 （ECO） 流变得更加数据密集和耗时。随着工艺技术发展到5nm及以下，这变得特别具有挑战性。

时序一直是ECO周期中的主要关注点，但功率已成为在高级节点上实现成功签核的同样重要的标准。然而，时序和功耗优化是相互矛盾的挑战，例如，通过调整电池尺寸来减少延迟会增加动态和漏功耗，反之亦然。在执行功耗优化时，设计人员通常使用基于路径的分析（PBA）和参数片上变化（POCV）等降低悲观技术来提高精度，并在“所有工作模式”中验证“所有工艺、电压和温度（PVT）拐角”，以实现最佳的PPA结果，但代价是运行时间很长。运行时问题在较新的节点（例如 5nm）上加剧，具有更多优化变量，包括更严格的间距规则、涵盖广泛性能/功率谱的更多库单元选项以及用于全芯片签核的数百种操作场景。

机器学习是医生订购的公式，用于围绕 ECO 功率优化的复杂响乐。最常见的 ML 方法包括以下步骤：构建数据库、训练算法、创建模型以及预测新输入数据的结果。在功率优化的情况下，这意味着从ECO观测数据中学习，并对功率回收选择做出快速准确的预测，而无需昂贵的计算，例如，从200个具有不同时序、功率和其他复杂特性的候选库单元中挑选最佳的替代单元进行小型化。

尽管跨设计类型和过程节点收集大量数据听起来对改善模型结果很有吸引力，但这并不是一件容易的事，并且可能不需要实现所需的结果质量 （QoR）。大多数设计决策仅在其空间或时间接近设计体系结构和版本的上下文中相关;因此，基于不相关设计点的训练数据可能不会提高 QoR。另一种实用的 ML 方法是“主动学习”，它与优化引擎即时交互，以基于本地设计数据构建相关的学习模型。这大大简化了实现签核 PPA 的优化路径，具有更快的周转时间和更少的资源开销，为采用提供了强大的动力。

Synopsys PrimeTime 套件被广泛认为是定时和功耗 ECO 和签核的标准。它在广泛的应用程序设计和工艺节点方面的广泛使用经验使其能够更有效地应对设计收敛中日益增长的PPA挑战，同时提供先进的生产力和资源效率技术，包括机器学习。

机器学习的兴奋确实是有道理的。它显然有可能为 EDA 和设计带来重大价值，特别是对于耗时的 ECO 优化步骤，以提高生产力并实现目标 PPA。主动式 ML 方法提供了一种有效的实用方法，使设计人员能够轻松地将该技术整合到他们的设计流程中，并以更智能的方式重新获得其功能。

审核编辑：郭婷