機器學習正在逐步影響EDA行業，通過用EDA工具來對普遍的問題建議解決方案，能夠為設計團隊減少數周甚至數月的艱難工作，從而大大的降低設計成本。

使用機器學習技術也將擴大EDA工具的潛在市場，為更多公司設計出更多的芯片，甚至是全新的設計，打開了新世界的大門。

“需求有巨大的彈性，一旦有任何讓工具運行速度更快或者占用更少資源的創新，人們立馬會用這個技術去做更多的并行執行，或者承擔更大的任務，設計更大的芯片。”Cognite Ventures首席執行官Chris Rowen博士說。 Chris Rowen博士同時也是Tensilica的創始人，2013年Tensilica被Cadence收購后，他成為Cadence fellow。

效率的提高使得工程團隊能夠做其他的工作，工作內容更加多樣化，NVIDIA資深技術總監Ting Ku評論道，“ 實際上，受益于效率提高，我們現在能夠完成之前來不及做的任務。”

這對于EDA工具供應商來說應該是個好消息。 “我們曾經要做5項任務，現在需要使用10種工具去做10項不同的工作”， Ku補充道，“例如借助EDA工具來進行測試，這就是增長點。”

乍一看，解決問題好像會減少工具的銷售量，但事實并非如此。

Mentor（現為西門子旗下業務）的首席驗證科學家Harry Foster說：“當我們想出了在測試中如何加速固定型故障 (stuck-at-fault), 現在才有足夠的時間去做時序收斂和其他驗證；而過去工具不夠強大的時候，根本是來不及做的。“

Just getting started

盡管前途大好，但用機器學習增強EDA，才剛剛起步。

“我們一直在思考的一個問題是，在實際給予客戶更大幫助的同時，應該采取怎樣的收費模式。”ANSYS半導體事業部首席技術專家Norman Chang說，“當涉及到現有工具上的機器學習增強功能，客戶可能不會愿意支付額外的錢，而脫離既有工具空談機器學習也是不可能的，那怎樣的商業模式對于客戶和EDA廠商來講才是雙贏的合作呢？答案還不清楚。”

雖然有可能在現有工具架構之上進行機器學習增強，UCSD的Andrew Kahng教授指出，當談到在EDA工具應用機器學習能力時，“內嵌”機器學習能力，和“圍繞”附加機器學習能力，有著很大差別：“圍繞”附加機器學習，能夠以相對較低的投入獲得更快的價值回報，出于投資回報率的考慮人們會從這里起步。

Kahng引用高通的一篇最新論文，在其班加羅爾設計中心，測試了資源管理和調度優化，例如當一個RTL bug在設計后期出現，你是需要購買新的服務器來管理20+正在進行的項目呢，還是僅僅重新配置現有資源就夠了。如果能夠節約數百萬美元或幾周的時間，將是非常明顯的巨大價值。所以，那些“圍繞”現有工具構建的優化，將率先發生。

“也許在EDA的未來，EDA不再像往常一樣，額外附加機器學習能力，我們將看到新一代的EDA工具從架構上就與機器學習相容，從而使得工具的結果更加可預測。 那將是一種全新的核心EDA——包括布線，優化，芯片布局規劃等，其穩定性更高，混亂無序狀態更少。”

對Rowen而言，這仍是或多或少用機器學習來改進傳統EDA流程。他說，“周圍”的方法利用多種工具的異構集成。“你總是在局部地解決數據問題，因為今天如果你既得考慮模擬仿真和驗證覆蓋率，又要得到布局布線擁塞數據，沒有一個能夠考慮所有因素的全局解決方案。但某些機器學習技術，特別是深度學習，在整合多種數據類型，并找出每種類型輸入中，哪些因素應當被考慮時，是非常有效的。

只要它和某些結果之間的聯系是預定的，那么所有這些數據都能夠被一股腦兒丟進去處理，系統能夠找出決定產出的關鍵因素，例如究竟是timing margin的設置，還是物理設計規則在起作用，Rowen說，機器學習方法能夠從多種工具的頂層提取數據來做整體的分析。幾年前，我們解決了整個數據庫的問題，不是單純地讀取其他工具的輸出，而是做數據聚合和數據挖掘。當我得到所有這些工具的統計結果時，它所描繪的是怎樣一種宏觀圖景？就洞察力而言，機器學習獨一無二。

從根本上來說，任何增強，都必須優化時間或者結果的質量，Synopsys的研發總監Sashi Obilisetty指出，“必須要給客戶賦能，讓客戶能夠優化設計，也許深度學習是能夠綜合實現這些目標的手段。這關乎實驗，合作，然后提出一個可行的解決方案。在EDA領域，我們與客戶的協作如此深入，持續這樣的合作尤為重要。“

Ku表示認同，“像ANSYS或Synopsys這樣的EDA公司，擁有多項針對不同領域解決工程難題的工具。但在現實中，跨領域的解決問題是非常困難的。而機器學習技術能夠非常不錯地解決這些跨領域的問題相當不錯。”

GPUs in EDA?

另一個要考慮的可能性是，在GPU上運行增強機器學習能力的EDA工具。雖然GPU已經是訓練機器學習系統的首選平臺，但將來要不要應用于EDA，還尚未可知。

Ku表示， “當我跟EDA供應商聊這個話題，我認為他們會從小的問題開始 —— 僅僅增強現有的流程。這些小問題可以在CPU上以傳統方式來解決，大家暫時也還不愿意購買GPU farm(集群)。除了Nvidia - 我們已經擁有了GPU farm，可以與我們合作。” 可以預測，終將有一天，問題會達到一個特定的拐點，變得如此艱難，如此復雜，變量維度如此之多，你必須使用GPU來解決你的問題。現在還不是時候，但我相信它的成長軌跡，已經預示了這一天必將到來。”

Obilisetty指出，Synopsys正在研究怎樣在GPU上運行傳統的工具，但需要大幅地調整工具架構，工作量絕對不是一點點。

“只要付諸努力，這些都能被實現，”她說。“同樣的，引入機器學習的概念和技術，我們需要重新構思工具。我們希望能夠智能地少做模擬和分析卻不降低結果的質量，這從非易事。但如果我們能夠采用更多的機器學習，可以通過硬件實現更快的交付。我們正在為之努力。”

然而，像SPICE仿真這樣的經典工具，如，并不能很好地適應像GPU這樣高度并行的浮點架構。“通過重建結構，可以勉強實現，”Rowen說。“機器學習和深度學習肯定是可并行的，所以他們在GPU等并行架構上運行良好。這里有兩個問題需要回答： 使用的是什么類型的技術？是用機器學習做簡單的統計分析，還是需要大量的深度學習？”

機器學習往往不是計算密集型的，更重要的是理解如何使用正確的模型。“深度學習，可以肯定，是計算密集型的，尤其是在訓練和推理上，”Rowen說。“對第一種情況而言，如果不是計算密集型問題，那CPU可能就足夠了。但在訓練和推理領域，需要什么樣的硬件架構，取決于該任務的重要性，例如現在構建更加專業的高并行圖像處理推斷引擎的人越來越多，預計未來也會出現類似圖像處理這樣的任務，需要GPU集群。然后對于EDA工具所需要的培訓和推理能力，我認為現在基于服務器的主流硬件基本足夠了。”

然而，Kahng堅持機器學習可能比大多數人想象的更接近。“無論是觀看Kaggle平臺上的競賽（注： Kaggle是由聯合創始人、首席執行官Anthony Goldbloom 2010年在墨爾本創立的，主要為開發商和數據科學家提供舉辦機器學習競賽、托管數據庫、編寫和分享代碼的平臺），還是AlexNet，SqueezeNet等的進步，你可以看到高品質開放源碼堆棧的巨大商業化可能。想想90/10規則。在過去二十年里，我們有一整套規范的機器學習開發技巧，加上很多IC設計已經很容易實現，可以輕松地解決90％的問題。我們可以提前預測布線DRC；或預測slew計算誤差；或預測兩個golden分析工具之間的差異；再如跑15個corner，然后預測其他50個corner下的端點slack。這些都是極富價值的機器學習應用。一旦你能夠給某一種工藝訓練出數據模型，例如一個特定的16nm FinFET的工藝庫、后端金屬層、工具鏈，那這個數據模型將一直好用。

即使該數據模型中可能包含成千上萬的參數，他認為投資機器學習建模的回報是令人嘆服的，并將持續下去。

收集數據有一個小問題，Kahng補充指出，設計，設計實現和設計目標總是在不斷變化的。“我敢肯定，人們在創造大數據方面富有創造性，但他們會非常仔細地關注收益和回報。”

與此相關的是，公司之間并未真正地共享數據，機器學習的基礎設施尚未形成，這是需要解決的問題。

“小數據的問題也許需要一個數據同化的過程，其中的專有信息保存，然后公司愿意免費共享非專有信息”Ku說，“今天，Facebook和谷歌正在收集我們所有的信息，我們卻處之泰然，是因為數據抽象后，并非特定的“我”做了什么。也許需要某種數據抽象方法，以解決小數據問題，讓所有公司都可以共享他們的數據。”

另一個搜集海量數據的機會是在foundry。“最理想的情況是你從工藝制造流程中搜集到匿名大數據，并借此建立真正的關聯數據模型”，Rowen說，“整個行業都會因此受益，但由于大家的害怕，可能會出現沒人愿意參與的‘公地悲劇’。”

最后，Kahng指出，對于機器學習技術短期內“圍繞”加入EDA工具，再到未來真正的“內嵌”到EDA中，圍繞數據采集的思維，必須從根本上改變。

“那么，小公司如何才能利用大公司采集的數據呢？這是一個全行業的基礎設施 - 包括匿名化，規范化和模糊化標準。早在1999年， METRICS就非常超前的，利用FlexLM和Splunk，將所有的報告日志填充到數據庫中。當時，Stefanus Mantik博士使用Oracle 8i來寫Synopsys和Cadence的SP＆R工具封裝。如今，數據管道和分析方法高度商品化，我們預計客戶將會很快處于一個臨界點：他們會咬緊牙關，收集設計數據，利用機器學習來解決各種艱難的設計挑戰。我堅信，現在是開放和共享的時代，”他補充說。

今天有一件事情是確定的——沒有捷徑可走。“我大約兩年前開始使用這些技術，但開始時沒有人相信這會有效，”Ku說。“我負責內部工具研發——盡管工程師們開始將信將疑，但他們必須使用我的工具；后來大家都看到了機器學習的成效，開始相信這一技術。接著我告訴外部的EDA供應商，可以利用機器學習技術來解決問題，使這些工具更好。猜猜發生了什么？供應商們開始也并不相信。直到大約一年前，我給ANSYS演示了我的團隊開發的內部工具，他們才開始認可機器學習的價值。耳聽為虛，眼見為實——這適用于內部客戶，適用于EDA世界，也將適用于世界其他領域 – 人性使然“。