PCB设计中的AI应用挑战

在过去的十年里，人工智能 (AI) 已经从一个前瞻性的概念，发展成为许多大型公司日常运营的重要部分。 

AI 是一套计算技术，使机器能够在没有任何人类干预的情况下进行推理和推断。这些技术是利用基于数学、计算机科学、统计学和心理学的跨学科方法开发的。基于 AI 的解决方案可以分析大量数据，识别其中的趋势和模式，然后利用这些结果来改进现有流程，并提出建议以帮助用户做出更好的决策。 

机器学习 (ML) 是 AI 的一个分支，它利用统计学习算法构建可以自动从经验中学习并改进的系统，而无需明确编程。ML 使机器能够从数据中学习，而不需要明确地为其编写规则。

深度学习 (DL) 是机器学习的一个分支，其背后的灵感来源于人类大脑过滤信息和从实例学习的方式。它帮助计算机模型通过神经网络层过滤输入数据，以预测信息和进行分类。 

随着视觉和语音识别、自然语言处理、自动驾驶车辆和数据挖掘取得重大进步，AI 技术已变得更加先进，能够显著降低电子系统设计的复杂性，并提高设计效率、质量和生产力。 

试想一下，如果您的电子系统设计工具内置了 AI、ML 和 DL 技术，那将会是什么样子。这正是西门子的愿景：将 AI、ML 和 DL 算法整合到产品中，以加快设计创新的速度并降低流程的复杂性。 

西门子的目标是提供 AI 增强工具，以帮助电气工程师和设计人员： 

• 做出明智的决策，提高效率 

• 轻松完成日常工作，提高生产力 

• 通过推荐后续任务来提升专业技能

PCB 设计中的 AI 应用挑战    

PCB 电子系统工程师的任务很艰巨，需要为复杂、高速的 IC 设计合格的供电和散热方案，同时还要确保电路板上各 IC 之间的每个高速信号的信号和热完整性。设计人员必须在日益缩短的上市时间窗口内，交付这些日益复杂的 PCB 和互连电子系统，并以较低功耗实现一流的性能。

学习曲线 – 人的因素

高效 PCB 设计的重大挑战之一是理解该领域并掌握 EDA 工具所涉及的学习曲线非常陡峭。大多数工程师是在工作中学习 PCB 设计。他们向导师请教，自己学习，或者通过查阅 EDA 公司的技术资料来学习。但重要的内容 —— 设计的不同对象之间的连接原因和方式，以及如何高效利用设计工具 —— 却很少在培训中涉及。 

PCB 设计专家以特定方式使用工具来实现出色的设计。这些用户对该领域有着深刻的理解，并能巧妙地应对设计工具的各种微妙之处，从而交付高效的设计方案。虽然任何工程师都有可能成为专家，但培养所需的技能需要多年的时间。

AI 能够从已完成的设计中挖掘出如何使用工具完成设计任务的模式，并以可复用的形式管理这些知识。然后，AI 会引导设计人员或工程师进入下一个合理的步骤，而无需他们去搜索接下来应该做什么，从而提供更好的设计质量。

元器件选择

设计工程师花费大量时间研究和选择符合设计要求的元器件。他们浏览多家元器件制造商的产品说明，寻找可用于设计的适当元器件。我们可以基于历史信息开发一个模型，并用来推荐可行选择以缩小搜索范围。例如，当选择处理器时，ML 模型可以基于历史知识预测所需的其他元器件。

元器件模型创建

生成表示元器件的模型（例如符号、2D/3D 物理几何形状和仿真模型）也需要大量时间。在大型企业中，有专门的库管理员团队来负责查阅元器件产品说明，并将其转换为设计工具可以使用的模型。这不仅要求具备深入的电子 领域知识，还要求了解用于生成模型的各种工具。通过使用自然语言处理、图像识别和 ML 等 AI 技术，系统可以自动处理这些产品说明来生成所需的模型。

原理图连接 

在原理图中布置好元器件之后，另一项手动任务是建立连接，此任务非常耗时且容易出错。如果训练 ML 模型从已完成设计中提取关于元器件的使用和连接的信息，原理图输入工具就能向用户推荐可能要布置在原理图中的元器件。例如，当设计人员放置处理器时，ML 模型可以基于历史知识预测其需要的其他元器件。用户确认布局之后，工具可以提出管脚对管脚连接建议，以加快设计任务的进行。

动态复用

可以对已完成设计的功能模块进行分析以供复用，并在支持使用各种参数进行搜索的智能数据库中管理这些模块。用 DL 算法训练模型以生成一个系统，使得设计工具可以预测模块的潜在功能。通过分析原理图中布置的元器件并使用训练好的 ML 模型，原理图设计工具将会推荐匹配的功能模块。类似地，可以从已完成设计中提取可复用的布局布线模块，并在设计人员布置电路板时呈现。

约束 

PCB 设计通常要遵循版图、高速设计、制造和测试方面的众多规则（约束）。这些信息通常是手动输入到各个设计工具中，这是一个非常耗时且容易出错的过程。如果设计工具能够推荐各种设计元素需要定义的约束和值，那么上述风险就能得到有效的控制。这些建议应该基于当前设计中使用的技术和从已发布设计中收集的知识。

版图 - 布局和布线 

元器件的布局和走线的布线要占用项目总时间的很大一部分。各种因素，如设计规则、匹配延迟和基于技术的布线策略等，都会影响版图工程师关于元器件布局和布线的决策。AI 系统可以利用从已完成设计中获得的知识，推荐布局和布线策略。 

自动布局是又一个可以大大缩短总设计时间的功能。开发此功能需要根据当前设计要求调整推荐的布局策略，并增强工具以执行布局建议。 

大多数现有版图工具都支持自动布线。此功能的当前实现大多基于启发法，并非在所有情况下都能产生理想的结果。使用自动布线器的版图工程师必须花费大量时间为自动布线器设置规则，并完成自动布线器遗漏的网络布线。根据所用的叠层和技术推荐自动布线器设置，是减少与使用自动布线器相关的工作量的第一步。 

自动布线器根据设计人员定义的规则集生成最优布线，但生成的布线在视觉上并不美观。西门子 Xpedition Layout 工具引入了一种先进的布线方法 —— 草图布线，版图工程师可以指示该工具按照草图为一组网络线路生成美观的布线。我们可以使用 AI/ML 提取这些草图模式，将其应用到新的设计中，并在自动布线器中生成布线。

分析和验证

利用 AI/ML 算法，分析和验证工具可以了解各种设计敏感性，例如电气材料特性的变化、物理设计尺寸及其影响、收发器 I/O 特性、温度/ 电压变化以及所有这些变量对电路板或系统的综合影响，从而生成更好的设计。 

ML/DL 算法可用来改进网格细化，微调用户选项以产生更精确的仿真结果，并为过孔、走线和电缆优化提供更好的替代建模。根据历史运行情况，为各种设置推荐适当的值来运行各种仿真，可以产生更好的结果。

设计综合

自动生成所需的 PCB 设计和相应的制造输出，是将 AI 应用于电子系统设计的终极目标。这不仅能减少完成设计所需的时间，还能消除通常由手动操作造成的代价高昂的错误。生成式设计依靠 AI 算法，通过系统地改变电路板的参数、结构或形状来找到最优解。AI 驱动的行为模型针对电路板设计流程中广为人知环节的创新，加速了生成式设计技术的发展。

审核编辑：汤梓红