邵樂峰 發表於 2021-01-01 09:08:00
2019年第一季度，EDA行業營收額達到26億美元，使其成為EDA歷史上營收最為強勁的季度之一。系統設計、IP、人工智慧，行業高速增長的秘密是什麼？
根據電子系統設計（ESD）聯盟的數據顯示，2019年第一季度EDA行業營收額達到26億美元，較去年同期增長了16.3%。EDA銷售額的四個季度移動平均值（相比最近4個季度以及之前的4個季度）增加了6.1%，這也讓2019年第一季度成為EDA歷史上營收最為強勁的季度之一。
這一數據讓許多人跌破眼鏡，包括Mentor榮譽CEO兼ESD聯盟董事會成員Wally Rhines。他稍早前在接受《EE Times》採訪時表示，如今不僅是幾家備受關注的系統與雲計算大廠開始設計自家晶片，同時還有越來越多的系統設計人員也開始使用EDA工具進行系統級設計，使得購買EDA公司的數量越來越多。
人工智慧對EDA行業的影響
推動EDA行業增長的，除了系統級設計之外，人工智慧的影響也不可忽視。
「人工智慧正在為半導體產業開啟數十年以來的最佳商機，很可能成為推動半導體行業進入下一個十年增長周期的催化劑。」Mentor IC EDA執行副總裁 Joseph Sawicki援引麥肯錫諮詢和普華永道的調研報告稱，過去無論是PC還是智慧型手機時代，機遇持續的時間並沒有這麼長久。對半導體行業來說，即便是最火熱的移動時代，也只提供了價值20%的產值。而在人工智慧時代，半導體公司將從技術堆棧（Technology Stack）上獲得50%左右的產值。
給人工智慧領域帶來全新發展機遇的要素，一方面源自車聯網、智慧城市、物聯網及工業物聯網等領域正在將生成的海量數據源源不斷的傳送到雲端，這一趨勢極大改變了現有的數據中心架構；除了數據中心聚合之外，另一重要趨勢是大量的機器學習及人工智慧設備和運算被部署在邊緣側，以加速數據處理及響應過程。數據顯示，2016-2021年，邊緣計算年複合增長率將高達190%，增速顯著超越雲端。
資本的走向也驗證了這一趨勢。2012-2019七年間，風險投資機構的資金走向主要集中在機器學習和人工智慧領域，共獲得19.06億美元，其次為加密貨幣5.09億美元，高速通訊/5G 4.77億美元。
Alphabet公司董事長John Hennessy曾提出，摩爾定律的終結，以及更高速通用計算的到來，標誌著新的黃金時代已開啟。因此，無論是以軟體為中心，還是以硬體為中心的傳統思想都存在局限，特定域語言和架構則更有希望。
Sawicki對此表示贊同，並認為特定域（domain-specific）架構將是實現下一波增長的關鍵動力。他列舉了一些特定領域的AI/深度學習控制器，其中，45款面向視力/面部識別，38款面向數據中心/雲AI/HPC，36款面向邊緣計算，26款面向自動/輔助駕駛，14款面向深度學習訓練，分列1-5位。值得一提的是，儘管GPU目前仍然是IC收入中最大的部分，但ASIC晶片的市場增速是最快的。
連接AI與和晶片設計的橋梁
一直以來，SoC晶片的設計方法學都是在RTL基礎上進行驗證。「但在人工智慧時代，人工智慧/機器學習IP和IC設計在架構優化、功耗預算、晶片容量和高速I/O方面都面臨許多挑戰，IC設計師需要新的設計方法和工具，所以我鼓勵他們採用高階綜合（High-Level Synthesis， HLS）進行更多探索。」之所以這樣表態，Sawicki說是因為在人工智慧時代，算法開發平臺的設計語言是C或者C++等語言，為了實現統一原生的設計環境，最好使用同樣的晶片開發環境。
他把HLS比喻為「連接AI原生環境和晶片設計的橋梁」，可以藉此幫助客戶更好地設計架構、管理內存分配和神經網絡的寬度與縱深，以及決定在晶片內部放置多少流水線等等，只有管理好這些要素，才能為垂直應用提供經過優化的IC軟體體驗。
而一旦設計方法論發生轉變，那麼驗證方法學也需要隨之改變。傳統集成電路的驗證方法就是測試規則、架構和規範，而在AI時代，面臨更多的是垂直應用，驗證通常發生在應用層面。這就需要通過相關技術仿真出一個虛擬AI引擎，然後把算法數據推送到硬體仿真系統中的AI引擎上去執行代碼處理和最終應用，以便獲得整體的性能、功耗以及數據。這樣，在晶片尚未開發之時就能及早掌握整個系統的性能表現。
包括C/C++/System C HLS、HLS驗證以及低功耗HLS三大產品線在內的Catapult HLS工具箱是Mentor面向HLS方法學推出的新產品。在此前的採訪中Mentor方面就曾表示，AI/機器學習需要進入下一步抽象和功耗分析，HLS結果並不比手動編寫的RTL差，甚至更強，時間更快（能夠縮短4倍）。此外，HLS易於重映射多種技術，例如可以針對各種技術重映射相同C代碼，輕鬆切換工藝，快速探索可行的替代技術並確定最優實現。而根據NVIDIA的反饋，在採用Catapult HLS工具後，Tegra X1晶片的驗證效率提高了50%，驗證成本降低了80%。
考慮到將AI引入EDA已是大勢所趨，目前，無論是在Pattern分析還是深度數據分析中，Mentor正在廣泛利用人工智慧和機器學習，加速新產品和新技術的開發。比如Machine Learning OPC可以將光學鄰近效應修正（OPC）輸出預測精度提升到納米級，同時將執行時間縮短3倍。而在此之前，完成同樣的工作量，需要4000個CPU 不間斷地運行24小時；而在LFD中，通過機器學習既解決了海量未標記數據的提取，同時也通過訓練好的數據使預測更加精準。結果顯示，與基於全晶片模型的仿真相比，在保持最佳精度的同時還使性能提高了10-20倍。
而在深度數據分析上，除了來自Solido的variation aware的設計外，採用RCD（root cause deconvolution）技術消除診斷結果噪聲，減少根因分析時間，發現其它隱藏較深導致良率問題的根源，也是非常典型的AI在EDA工具中的應用。
來自名為PAVE 360新方案的一個運行結果。通過Mentor AI引擎讓自動駕駛車輛在虛擬環境中進行駕駛，然後將虛擬數據與左圖中西門子駕駛安全輔助設計測試軟體SimcenterPrescan和右圖中西門子機電一體化系統仿真平臺Simcentor Amesim相連接，通過交互實現電子系統和機械系統一體化的仿真驗證過程。
這套系統對晶片廠商、OEM和Tier one廠商以及整車廠而言都是極具價值的。這意味著驗證測試人員不再需要開車幾千公裡去驗證車輛的動力總成、底盤、乃至真實的道路環境，所有的一切在晶片、汽車、道路建成之前就會得到精確預測，極大提升了設計和製造的效率。
這一案例就是數字孿生（Digital Twin）技術的真正落地。其實西門子在併購Mentor之後，「還收購了很多與EDA相關的企業」，包括針對低頻設備的電磁和熱分析軟體開發商Infolytica、加強集成電路測試的方案提供商Sarokal、基於機器學習和變量認知設計特徵軟體開發商Solido、線束線纜分析設計公司Comsa、以及針對IC硬體隨機故障檢測的安全分析/自動校正和仿真工具開發商Austemper，用以加強Mentor在EDA 4.0設計和驗證工具的功能和性能。
「EDA 4.0」是Mentor中國區總經理凌琳在ASPENCORE舉辦的「2019年中國IC領袖峰會」上首次提出的概念。與之相對應的是，在EDA 1.0時代，基本都還是最原始的門級電路設計方法學；而到了EDA 2.0時代，開始引入RTL設計方法學，包括Cadence、Synopsys等公司相繼誕生；在EDA 3.0時代，設計輸入進一步提高了抽象層次，引入了基於IP復用的SoC設計方法學，一些EDA公司開始併購IP廠商，同時ARM等獨立IP廠商迅速壯大。
隨著自動駕駛、物聯網、雲計算平臺和智能家居等應用場景都需要從IC到系統的完整方案，而特定域架構的AI加速晶片可以滿足定製化要求。傳統的EDA門級、RTL甚至IP級設計都無法滿足這種晶片設計的綜合、仿真和驗證要求。Mentor因此提出了EDA 4.0的概念，即通過3D IC和SiP等新的晶片製造技術、ECAD/MCAD協同設計，以及虛擬/物理數字孿生系統設計等來實現AI系統、大數據分析和雲計算應用。
責任編輯:tzh
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴