学术界在最近的Design Automation Conference上质疑EDA的未来。他们认为，一个新时代即将开始，而不是我们所知道的 EDA 会消失。三个小组以完全不同的方式解决了这个问题。有人问“EDA 的下一次复兴有哪些重大机遇？” 第二个题目是“开源 EDA 的未来是什么？” 第三个，“电子设计自动化的机器学习：非理性繁荣或黄金时代的黎明”。
EDA 行业见证了许多重大变化，但并非所有这些都取得了商业上的成功。20 年前，EDA 行业正在寻找高于 RTL 的新抽象（abstraction）级别，称为电 Electronic System Level (ESL)。虽然这些努力的一部分现在已成为行业工具组合的一部分，例如高级综合和虚拟原型设计，并且存在诸如 SystemC 之类的语言，但总体努力并没有导致新的抽象。今天，ESL 仍然是一种利基技术。
为什么？一种解释是 ESL 太宽泛、太通用，ESL 和 RTL 之间的差距太大。ESL 要求对设计或语言进行限制以使综合成为可能。例如，处理器的设计是少数几个确实存在专用语言的领域之一，最近随着 RISC-V 的引入，创造了更多的领域。
由于可扩展的 RISC-V 处理器规范是开源的，因此可以对处理器架构进行更多的研究。过去存在的语言（例如 SysML）正在被淘汰，而新的语言（例如 Chisel）正在被创建。处理器综合工具连同验证方法和参考模型一起推向市场。
在更大的背景下，向特定领域解决方案的转变为许多高度专业化的抽象创造了机会，每个抽象都可以专用于一个领域。这反过来又促进了研究的复兴。
那么 EDA 的未来会和今天一样吗？
EDA 的角色
为了正确看待这一点，EDA 提供了三项主要服务——生产力（productivity）、优化（optimization）和保证（assurance）。即使设计变得更大、更复杂，团队规模和时间表仍然相对固定，这意味着生产力必须始终提高。找到平衡成本、性能和功耗的正确解决方案是一个巨大的优化问题。随着几何尺寸越来越小，确保设计在制造后能够正常工作变得越来越难。它涉及越来越多的必须考虑的物理因素。
随着摩尔定律的放缓，该行业正在寻找未来扩张的几个方向。其中一些涉及架构的变化，而另一些则正在研究新的封装技术。这是对新材料和制造技术的补充。Broadcom ASIC 产品部总监 Jayanthi Pallinti 就设计人员面临的挑战提供了一些见解（见图 1）。“在 16nm，我们有大约 6,000 条设计规则。现在在 3nm 中，已经增长到超过 15,000 个。即使 EDA 已经完成了所有创新——而且这些创新正在发挥作用——它仍然具有挑战性。”
Pallinti 认为 EDA 必须变得更加分层才能跟上，整个系统必须共同设计，而不是按顺序处理。
图 ：设计复杂性和 EDA（资料来源：博通）
模型是 EDA 工具和流程的重要方面，它们存在于许多抽象级别。“挑战在于创建具有正确准确性、速度和稳健性的模型，” Ansys首席技术官 Prith Banerjee 说。“我们必须解决多层次模拟的问题。我的意思是使用二阶偏微分方程，并由此产生降阶模型以提供系统级模型。我们需要从系统级仿真无缝地进入，当我需要更高的准确性时，我点击进入下一个级别。人们谈论的是分层仿真，但我谈论的是跨机电系统。”
没有模型，优化是不可能的。“你需要模型来进行预测。你需要预测才能在探索中发挥作用，”加州大学圣地亚哥分校 CSE 和 ECE 杰出教授 Andrew Kahng 说。“你无法预测的东西，你的guard-band，你不探索的东西你留在桌子上。”
然而，这些模型的来源可能会发生变化。“EDA 的下一个挑战是创建设计流程的完整数字双胞胎，”加州大学伯克利分校杰出教授兼 imec 首席技术官 Jan Rabaey 说。“与其对新设备进行模拟，我们应该从实际原型中生成模型。我们需要有能力在虚拟世界中扩展它，然后在物理世界中翻译原型——两者的联合开发。”
仿真一直是业界的难题。“验证是可怕的，”Rabaey 补充道。“努力的数量是疯狂的。提高功能验证的抽象级别，然后通过设计确保正确性，这一点很重要。第二个是选择自由。我们基本上在设计中使用了太多的灵活性。我们可能认为这是一种优势，但我们给自己带来了一场噩梦。”
SRC 创新研究总监 Tim Green 指出，功能验证只是冰山一角。“验证已经足够具有挑战性了。但是验证在安全方面确实是一个简单的问题，因为验证是确保您的设计符合您的规范。安全性是为了验证你的设计，超出规范，没有做任何有趣的事情，这是一个未知的空间。”
抽象创造了一个不同的机会。“有很多客户有特定应用或特定领域的问题，例如汽车和物联网，而通用解决方案无法与之匹敌，”高通高级工程总监 Mamta Bansal 说。“大多数 EDA 供应商都专注于量产的东西。开源可以解决一些特定领域的问题并解决这些问题。”
英特尔战略 CAD 实验室主任 Noel Menezes 对此表示赞同。“我看到了乐观的理由，例如为什么某些特定领域的语言在指定硬件方面可能会变得非常成功。特定领域的语言，也许是特殊的抽象，可能是开源 IP/EDA 蓬勃发展的正确破坏者。成功的最佳机会是在商业 EDA 激励措施不一致的领域。”
这也可能适用于旧技术。“在一些长尾节点上，开源工具的机会变得非常有趣，”Cambium Capital 的运营合伙人 Bill Leszinske 说。“这就是很多成本被摊销的地方。这意味着可以有更多的创新。”
有这么多潜在方向，EDA 可能很难跟上。“正在出现的一些重要挑战基本上可能会阻碍或减缓新技术和能力的引入，”Rabaey 说。“这些不仅仅是变得超级复杂的事情。到 2030 年，我们应该是 1 纳米。最重要的是，设计变得非常多样化。你会看到内存和逻辑、模拟射频、传感器的合并，所有这些类型的东西都集中在一个封装中。其中一些可能需要非常不同的技术、不同的材料或光学。冯诺依曼的计算模型正在逐渐衰落，会有很多替代方案。你会再次看到模拟计算的出现，以及使用物理现象的计算。”
解决所有这些问题所需的努力能否成为变革的催化剂？SRC 的 Green 说：“随着需要更多的集成来满足性能目标，这个细分良好的市场正在崩溃。”“当前的 EDA 设计流程无法提供所需的性能。我们需要定义将驱动关键技术的关键应用程序，这些技术将驱动设计工作流程，以实现这些应用程序所需的效率、性能和安全性。”
另一个催化剂是不断变化的地缘政治环境。“过去几年，许多国家和地区开始将半导体视为国民经济乃至国家安全的关键要素，”香港科技大学研发副总裁 Tim Cheng 表示。“我们从未见过来自世界各地的此类投资。这对人才和竞争来说是个好消息。”
除此之外，Cheng 还研究了这笔资金如何影响 EDA。“资助 EDA 不再只是推进最先进的技术。如果你需要控制，你需要所有权，你担心国家安全，你需要拥有它。政府愿意支持你。这些人不会窃取他们知道高度敏感的技术，但他们需要有知识的人来构建他们的工具，以便他们可以控制。这将改变半导体、IC设计和EDA的格局和生态系统，并可能打破全球大型EDA公司的时代。”
开放的基础设施
学术界面临的问题之一是他们从根本上必须发表论文。这些专注于算法和点工具，但它们通常不能以独立的形式存在。“EDA 中的开源软件鼓励学术界致力于解决真正的 EDA 问题，” Cadence高级软件组总监 Chuck Alpert 说。“这更现实。OpenROAD EDA 流程的存在意味着他们所做的研究可以更加现实，因为他们不是在处理假问题。他们正在研究真正的概念，这真的是一件好事。”
开源要想成功，必须有一个良性循环。“如果你没有良性循环，如果你没有开发者社区或大型用户社区，你需要激励支持，”英特尔的 Menezes 说。“你需要对发展的激励和对用户的激励。Open road 在这一点上是一项非常成功的开源工作，但我担心的是，如果你没有动力继续这些开源工作，现在 Idea 计划即将结束，就会出现问题。”
成功的开源需要协作。“OpenROAD 是一种工业学术合作伙伴关系，”Zero ASIC 首席执行官 Andreas Olofsson 说。“有些学生做研究和写论文，但他们并不真正喜欢做软件工程，因为那不是他们当时的目标，将来也可能不是。然后你有可以整合它的工业人员。必须有一些东西来激励培训计划，向人们展示如何编写好代码。”
但合作可能具有挑战性。“现在，我们都处于孤立状态，”高通公司的 Bansal 说。“我在高通公司，我在一个孤岛中。每个代工厂、每个供应商、每个供应商都处于一个孤岛中，因此没有简单的方法可以为社区做出贡献。已经发生的合作是基于资金的。即使提供一个测试用例来打开大门也是一个挑战。我们不知道如何保护我们的知识产权。”
那能改变吗？“如果会有 EDA 2.0，我们作为一个社区需要团结起来，”IBM Research 的研究员兼首席科学家 Ruchir Puri 说。“无论是芯片设计公司，还是EDA行业，我们都不能继续以不共享数据的态度行事。如果我们不能团结起来跨孤岛协作，我们将无法在这方面取得进展。这是给定的。”
“没有一家公司、一所大学或一组人能够解决所有问题并拥有最佳解决方案，”Cambium 的 Leszinske 说。“我们认为一个很多人可以创新和实验的环境将创造很多机会。我们确实将开源项目视为实现这一目标的关键催化剂。降低开发成本，降低流片成本，让更多创新想法进入市场，从而为我们所有人创造一个更大的行业。”
Cerebras 的技术人员 Mark Glasser 指出，开源并不总是需要获得资金才能实现可持续发展。“在 EDA 行业中经常被忽视的一点是，开源程序、开源工具可用于推动其他创收工具的销售。我最喜欢的例子是UVM。这是一个开源的验证工具。它推动了各种东西的销售——调试器、分析器、上下文敏感的编辑器，以及围绕它的各种东西。”
机器学习
机器学习是一个似乎没有完全一致的领域。“我们已经获得了非常深刻的理解，当你了解问题的结构时，你应该利用它，”加州大学伯克利分校的 EE 和 CS 主席 Alberto Sangiovanni-Vincentelli 说。“问题的结构意味着你了解你试图解决的特定问题背后的物理数据。但是，如果你还没有找到问题的深层根源，即物理问题的数学根源，那么你需要近似它，因为你想解决这个问题而你没有工具。然后你尝试一些通用的东西。AI 和 ML 是通用技术，因此它们在本质上是有限的。ML 使用统计模型来分析数据中的模式并从中得出推论。”
部分问题在于 EDA 所基于的基础物理的变化率。洛桑联邦理工学院教授兼主任乔瓦尼·德米凯利 (Giovanni DeMicheli) 表示：“当你审视技术发展时，无法预见物理、材料、设备的未来。” “为什么？因为您需要从中学习的东西，并且如果您的地形在您的脚下不断变化，那么根据您所拥有的进行预测会更加困难。此外，缺乏全面的数据集可供学习，因为没有多少设计属于公共领域。如果每个人都保存自己的数据，学习起来非常困难。最有可能的是，机器学习将无法在未来的选项中做出选择，尤其是当它涉及技术以及技术的混合搭配时。ML 对于解决结构较少的问题很有用。
优化基于成本函数。“机器学习产生影响的领域是游戏、自然语言处理和计算机视觉，”IBM 的 Puri 说。“游戏的好处是它们有一个非常明确的成本函数。同样，EDA 具有良好定义的成本函数，但 EDA 的问题是有太多相互交叉的成本函数。从时间、功率、噪声、面积等多维目标中，很难制定出单一的成本函数。这有助于启发式而不是单一的目标函数、博弈论方法。”
UCSD 的 Kahng 展示了 EDA 的一种可能路径。“该图（图 2）显示了 EDA 轨迹的一部分，即 AI/ML 赋能 EDA。自动调优等元素将比公平基准测试共识等其他元素更早成熟。但我希望这个数字的大部分将在未来 5 到 10 年内成为现实。”
我们能到达那里吗？“对于 EDA 中的机器学习，人们的期望非常高，”EPFL 的 DeMicheli 说。“现在判断这是否可行还为时过早。我们有许多令人惊讶的结果，因为我们仍然不明白为什么有时我们会得到好的结果，并且还需要对方法本身进行更多的分析。我们倾向于更信任基于确定性推理的正确性技术。但是有很大的优化空间，减少成本或面积或延迟，在设计方面，不影响正确性。这是一个非常大的机会。”
最有可能的未来道路将基于混合解决方案。纽约大学心理学系教授 Gary Marcus 说：“总的来说，当你需要信任时，神经网络不是一个好工具，因为它们不是很容易解释。”“你需要做验证。这就是我们考虑将符号分析的某些方面结合起来进行验证的神经符号混合的原因。您真的希望能够将 ML 与一些符号约束集成，这些符号约束可能会告诉您您没有正确的答案。”
结论
EDA 承受着来自多方面的巨大压力。技术正在快速发展，而 EDA 是难题的基本组成部分，它使我们能够转向更小的几何形状。随着摩尔定律的放缓，正在引入其他技术以实现更高水平的集成，从而进一步增加复杂性。由于相互关联的成本因素的数量，优化变得越来越困难。
对于许多公司来说，蛮力设计方法已经停止工作，它们现在转向特定领域的解决方案，这些可能是新抽象层次、新模型和新方法的重要推动力。ML 为我们提供了一套新的工具，它们可能适用于某些问题，即使不是全部。RISC-V 的引入显示出对开源的新兴趣，因为它支持更多的研究和更广泛的关于如何推进设计的想法。
并不是现有的 EDA 公司失败了。他们有太多的机会去追求。