近期，上海、江苏等地宣布，将大力加码人工智能(AI)、电子设计自动化(EDA)工具，希望突破瓶颈并抢占技术高地。
今年8月，上海临港新区的“滴水湖AI创新港”宣布启动，并发表2022～2025年的临港片区AI产业行动方案，预计要用三年时间，汇聚AI人才2万～3万人，汇集企业500家，将产业规模提升至500亿元人民币。
该行动方案显示，将从核心基础能力、关键系统零件研发突破、高阶智慧终端、应用场景等面向突破，目前规划最具体的是自驾汽车领域，包括相关软体、晶片、智慧网联汽车系统及自驾场景部署。
江苏省工信厅副厅长池宇也表示，2022上半年江苏省积体电路产业主营业务企业总产值年增10.5%，达到1350亿元，目前南京EDA创新中心已经上报到中国科技部，这是中国首个上报到科技部的EDA创新中心。
EDA工具是集成电路行业的必备工具，贯穿于IC设计、制造、封测等环节。
EDA软件行业流传着这么一句话：“谁掌握了EDA的话语权，谁就掌握了集成电路的命门，谁就可以对芯片行业的后来者降维打击。”可以说，没有EDA软件，则芯片设计亦无从谈起。
【AI for EDA是未来的发展趋势，全球领先EDA厂商已布局AI】
在芯片设计的过程中，确定芯片Block布局是最复杂的阶段，核心目标是使功率、性能和面积最即小化，即PPA(Power、Performance and Area)最小化。
随着人工智能算法的突破，使得人工智能辅助芯片设计(AI for EDA)的技术路线获得了广泛的关注，有研究表明，AI用机器学习的方式快速给出最优的布局方案，大幅缩短芯片设计所需时间。
2021年谷歌在Nature发表了题为“A graph placement methodology for fast chip design”的论文，提出了利用强化学习来优化芯片设计中的宏模块布局(Macro placement)。
据了解，全球领先EDA厂商均已布局AI，利用AI助力实现高精度设计，提升设计效率。
Synopsys在2020年3月12日推出了业界首个用于芯片设计的自主人工智能应用程序——DSO.ai，DSO指设计空间优化(Design Space Optimization)，这是EDA行业首次将AI应用于非常复杂的设计任务中的产品。
Cadence在2020年3月18日发布了新版Cadence数字全流程。
半导体制造中，随着设计尺寸的不断缩小，光的衍射效应愈发明显，因此设计图形可能产生光学影像退化，使得光刻后的实际图形与设计不一致，Mentor创新性的运用MLOPC技术修正光学临近效应。
【北京大学发布首个面向芯片设计的AI for EDA开源数据集】
由此可见，AI for EDA是未来的发展趋势。由于训练机器学习模型需要大量数据，而在EDA领域中缺乏针对AI for EDA任务的开源数据集，导致大多数研究都只能制作小规模内部数据集来完成对方法的验证，难以充分验证机器学习模型的泛化能力，也无法充分利用不同数据集之间的知识迁移能力。
针对上述问题，北京大学黄如院士团队的林亦波研究员、王润声教授等创建了首个致力于芯片设计AI for EDA应用的开源数据集——CircuitNet，包含1万以上的数据样本，涵盖从实际制造工艺PDK下数字设计流程不同阶段中提取到的各类特征。
它有四个突出特征：一是大规模，包含1万以上的数据样本，每一份样本都来自于实际工艺PDK一次完整的商业EDA工具设计流程；二是多样性，覆盖实际设计中的不同情况与需求；三是多任务，数据集目前已支持3个常见的预测任务，并通过复现近期的论文进行了验证；四是标准化，数据经过预处理和脱敏，可通过Python脚本直接加载。
“CircuitNet数据集为芯片设计自动化流程中的机器学习任务提供数据支持，每个数据样本包括芯片设计流程各个环节的特征和性能标签，可以用来训练机器学习模型。”林亦波补充说，“但需要澄清一下，我们发布的是一个数据集，类似于计算机视觉领域的ImageNet数据集，用来帮助产业界和学术界探索AI for EDA技术，我们也提供了一些机器学习任务的应用演示用来验证数据集的有效性，但并非一个EDA软件。目前国内外并没有专门针对AI for EDA的开源数据集，我们希望CircuitNet可以为该方向的研究提供数据支持，推进该方向进一步发展。下一步，北大团队将增加先进工艺节点和大规模电路设计的数据样本，以拓展数据集的规模、多样性和先进性。”
此外，北京大学集成电路学院成立了国内高校首个聚焦于EDA技术的“设计自动化与计算系统系”，教学科研内容涵盖了从器件级、芯片级到系统级的完整EDA技术链条，将持续为我国EDA产业输送高端人才。
我要评论