题记：EDA 行业是否即将出现重大颠覆，再加上领域特定架构的新兴时代？学术界当然这么认为的；

EDA行业已经逐步解决了电子系统设计中出现的问题，但是否会出现中断？学术界当然认为这是一种可能性，但并非所有人都出于同样的原因看到它发生。

学术界在最近的设计自动化会议上质疑EDA的未来。他们不认为我们所知道的EDA正在消失，而是认为一个新时代即将开始。三个小组以完全不同的方式解决了这个问题。有人问道：“EDA的下一次复兴中有哪些重大机遇？"，第二个标题是“开源EDA软件的未来是什么？”，第三，“用于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行业已经见证了许多重大变化，但并非所有这些变化在商业上都取得了成功。二十年前，EDA行业正在寻找一个高于RTL的新抽象层次，它被称为电子系统级（ESL）。虽然这项工作的一部分现在是行业工具组合的一部分，例如高级合成和虚拟原型设计，并且存在SystemC等语言，但总体努力并没有导致新的抽象。今天，ESL仍然是一个利基技术。

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要求对设计或语言施加限制，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，并且最近随着RISC-V的引入，已经创建了更多的专用语言。

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，如SysML，正在被除去灰尘重现生机，而像Chisel这样的新语言正在被创造出来。处理器合成工具以及验证方法和参考模型正在推向市场。

在更大的背景下，向特定于领域的解决方案的转变正在为许多高度专业化的抽象创造机会，每个抽象都可以专用于单个领域。这反过来又促进了研究的振兴。

那么，EDA的未来会不会和今天一样呢？

EDA的作用

从这个角度来看，EDA 提供了三个主要服务 — 生产力、优化和量产保证。尽管设计变得更大、越来越复杂，但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。随着几何形状变得越来越小，确保设计在制造后能够正常工作变得更加困难。它涉及越来越多的必须考虑的物理因素。

随着摩尔定律放缓，该行业正在研究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产品部门总监Jayanthi Pallinti提供了一些关于设计人员所面临的挑战的见解（见图1）。“在16nm，我们有大约6，000个设计规则。现在在3nm中，这已经增长到超过15，000。即使EDA已经做了所有的创新 - 这些创新正在提供帮助 - 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，而不是以顺序方式处理。

图 1：设计复杂性和 EDA。

模型是 EDA 工具和流的一个重要方面，它们存在于许多抽象级别。“挑战在于创建具有正确精度、速度和稳健性的模型”，Ansys首席技术官Prith Banerjee说。“我们必须解决多级仿真的问题。我的意思是使用二阶偏微分方程，并从中产生降阶模型来提供系统级模型。我们需要从系统级仿真中无缝地进行，当我需要更高的精度时，我会点击进入下一个级别。人们在谈论分层仿真，但我谈论的是跨机电系统。

“没有模型，就不可能进行优化。“你需要模型来预测。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和欧洲经委会杰出教授Andrew Kahng说。“你无法预测的东西，你的警卫队，以及你不探索的东西，你就留在了桌子上”。

然而，这些模型的来源可能正在发生变化。“EDA的下一个挑战是创建设计流程的完整数字孪生体”，加州大学伯克利分校杰出教授兼imec首席技术官Jan Rabaey说。“我们不应该对新设备进行模拟，而应该从实际的原型中生成模型。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 - 这是两者的联合开发”。

仿真一直是行业面临的一个问题。“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。第二个是免于选择的自由。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个优势，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。但是，在安全性的背景下，验证实际上是一个简单的问题，因为验证是确保您的设计符合您的规范。安全性是验证您的设计，超出规格，不会做任何有趣的事情，这是一个未知的领域”。

抽象创造了一个不同的机会。“有很多客户存在特定于应用或特定领域的问题，例如汽车和物联网，其中通用解决方案不匹配”，高通公司工程高级总监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于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，例如为什么某些领域特定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蓬勃发展的正确颠覆者。成功的最佳机会是在商业EDA激励措施不一致的细分市场”。

这也可能适用于较旧的技术。“开源工具的机会在一些尾随节点上变得非常有趣，”Cambium Capital运营合伙人Bill Leszinske说。“这是很多成本摊销的地方。这意味着可以有更多的创新"。

有这么多潜在的方向，EDA可能很难跟上。“出现了一些重要的挑战，这些挑战基本上可能会阻碍或减缓新技术和能力的引入”,Rabaey说。“这些都超出了事情变得超级复杂。到2030年，我们应该在1纳米的工艺节点上。最重要的是，设计正变得极其异构。您将看到存储器和逻辑，模拟RF，传感器，所有这些类型的东西都汇集在一个封装中。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，并且会有很多替代方案。你将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？“这个细分市场正在崩溃，因为需要更多的集成来实现性能目标，”SRC的Green说，“目前的EDA设计流程将无法提供所需的性能。我们需要定义关键应用程序，这些应用程序将推动关键技术，这些技术将推动实现这些应用程序所需的效率，性能和安全性所需的设计工作流程”。

另一个催化剂是不断变化的地缘政治环境。“在过去的几年里，许多国家和地区已经开始将半导体视为国民经济甚至国家安全的关键因素，”香港科技大学负责研发的副总裁Tim Cheng说。“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”。

与此同时，Cheng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。如果你需要拥有控制权，你需要所有权，你担心国家安全，你需要拥有它。政府愿意支持你们。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，以便他们可以拥有控制权。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”。

开放基础设施

学术界面临的一个问题是，他们从根本上必须发表论文。这些都集中在算法和点工具上，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解决真正的EDA问题，”Cadence高级软件组主任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，因为他们没有在研究虚假问题。他们正在研究真正的概念，这真的是一件好事”。

开源要成功，必须有一个良性循环。“如果你没有开发人员社区或大型用户社区，你就没有良性循环，你需要激励支持，”英特尔的Menezes说。“你需要发展的激励和用户的激励。在这一点上，开放之路是一个非常成功的开源努力，但我担心的是，如果你没有动力继续这些开源工作，现在Idea计划已经走到尽头，就会有问题”。

成功的开源需要协作。“OpenROAD是一个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，但他们并不喜欢做软件工程，因为这不是他们人生中那个时候的目标，将来可能也不是。然后你有工业人员可以整合它。必须有一些东西来激励培训计划，向人们展示如何写好代码”。

但协作可能具有挑战性。“现在，我们都处于孤岛中，”高通的Bansal说。“我在高通，我在一个筒仓里。每个铸造厂，每个系统供应商，每个设备商都在一个筒仓中，因此没有简单的方法来为社区做出贡献。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”。

这种情况会改变吗？“如果有EDA 2.0，我们作为一个社区需要走到一起，”IBM研究院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，跨越孤岛进行合作，我们将无法在这方面取得进展。这是理所当然的”。

“没有一家公司，一所大学或一群人，会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，使更多创新理念进入市场，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，开源并不总是需要资金才能实现可持续发展。“在EDA行业中经常被忽视的是，开源程序，开源工具可以用来推动其他创收工具的销售。我最喜欢的例子是UVM。它是一个开源验证工具。它推动了各种事物的销售 - 调试器，分析器，上下文敏感编辑器以及围绕它的各种事物”。

机器学习

机器学习是一个似乎没有完全达成一致的领域。“我们已经获得了非常深刻的理解，当你知道问题的结构时，你应该利用它”，加州大学伯克利分校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，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，因此它们本质上是有限的。ML使用统计模型来分析和从数据中的模式中得出推论”。

部分问题在于EDA所基于的基础物理场的变化率。“当你看到技术发展时，无法预见物理学，材料，设备的未来，”洛桑联邦理工学院教授兼主任Giovanni DeMicheli说。“为什么？因为你需要一些你从中学习的东西，如果你的地形在你的脚下发展，那么根据你所拥有的东西做预测就更难了。此外，缺乏全面的数据集来学习，因为没有那么多设计属于公有领域。如果每个人都保留自己的数据，就很难学习。最有可能的是，ML将无法在未来的选项中进行选择，特别是当它涉及技术以及技术的混合和匹配时。ML 对于解决结构较少的问题非常有用。但是，像逻辑设计和综合这样的工具，在有结构的地方，算法有可能更好地解决问题，因为我们了解发生了什么。

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。“游戏的好处是它们具有非常明确的成本函数。同样，EDA具有良好的定义成本函数，但EDA的问题在于有太多成本函数相互交叉。很难从这些多维目标中制定出单一的成本函数，范围从定时到功率，到噪声，到面积等等。这有利于启发式方法，而不是单一的目标函数，博弈论方法”。

加州大学圣地亚哥分校的Kahng为EDA提供了一条可能的路径。“这个数字（图2）显示了EDA轨迹的一个部分，即AI / ML授权的EDA。自动调谐等元素将比其他元素更早成熟，例如公平基准测试的共识。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”。

图 2：通往 EDA 2.0 的道路。

我们能到达那里吗？“对于EDA中的机器学习，期望非常高，”EPFL的DeMicheli说。“现在判断这是否是要走的路还为时过早。我们有很多令人惊讶的结果，因为我们仍然不明白为什么有时我们会得到好的结果，并且仍然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，在优化、降低成本、面积或延迟以及设计方面，都有很大的空间，这不会影响正确性。这是一个非常大的机会点”。

最有可能的道路将基于混合解决方案。“总的来说，当你需要信任时，神经网络不是一个好的工具，因为它们不是很容易解释，”纽约大学心理学系教授加里马库斯说。“你需要做验证。这就是我们考虑神经符号混合体的一个原因，它将符号分析的某些方面结合起来进行验证。你真的希望能够将ML与一些符号约束集成，这些约束可能会告诉你没有正确的答案”。

结论
EDA承受着来自多个方向的巨大压力。芯片技术正在快速发展，而EDA是这个难题的基本部分，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，允许更高水平的集成，这可以进一步增加复杂性。由于相互关联的成本因素的数量，优化变得越来越困难。

蛮力设计方法对于许多公司来说已经不再有效，这些公司现在正在转向特定于领域的解决方案，这些解决方案可能是新抽象级别，新模型和新方法的重要推动者。ML为我们提供了一套新的工具，这些工具可能适用于某些问题，即使不是全部。RISC-V的引入表明了对开源的新胃口，因为它可以进行更多的研究和更广泛的关于如何推动设计向前发展的想法。

这并不是说现有的EDA公司正在失败，而是说他们有太多的机会和目标去追求。