从可变性的角度来看,西门子 EDA 指出了类似的趋势,特别是因为模拟电路(见图 3)。值得注意的是,由于芯片中模拟 / 混合信号的数量不断增加,尤其是电力电子设备和传感器。
西门子 EDA 验证首席科学家 Harry Foster 表示:“正在发生的事情是,该行业正在继续向先进半导体节点演进,在这种情况下,很难对可变性进行建模。最重要的是,这些模型随着流程的发展演进。有很多工艺角需要验证。但是,更有趣的趋势是,随着复杂混合信号设计的增加,无论采用何种节点,芯片公司试图优化芯片面积,包括模拟器件。”
▲图 3:随时间推移,由于模拟而导致的尖峰很大。来源:威尔逊研究小组 / 西门子 EDA
在三个维度上进行扩展会增加另一个层次的复杂性。架构已经发生了变化,以便能够将更多的计算功能集成到一个封装中,而不是在一个裸片上,但这增加了复杂性(请参见图 4)。
尽管可以将所有功能集成到一个裸片或将多个裸片封装在一起,但使用插入器或某种类型的桥将它们连接在一起的速度更快。以前,这种方法会带来性能和功耗的损失,但是使用较粗的管道进行三维平面布置可以缩短信号传输所需的距离,从而减少驱动电流。
“到了超越摩尔定律的时代意味着芯片流程中还需要更多工具。”Cadence Custom IC&PCB Group 产品管理部门主管 John Park 说,“特别是,顶层规划需要多个系统级(多小芯片)分析工具。这些工具是 SoC 设计人员的新工具,流程比以往任何时候都更加复杂。”
▲图 4:高级封装中的验证挑战。来源:Cadence
如何解决复杂性问题?在针对特定应用或市场定制的先进芯片或高级封装中,几乎需要一次性处理复杂性。所发生的变化是,其中许多芯片设计不再以十亿个为单位生产芯片。即使是衍生芯片,看起来也可能与原始架构有很大不同。
对于开发这些芯片的系统供应商,成本分布在整个系统开发中,并且在某些情况下,可以按运营成本摊销。因此,对于大型云计算运营商而言,提高性能和降低功耗可以减少所需的服务器机架数,进而影响数据中心的不动产以及为这些计算机供电和冷却的成本。
对于汽车设计,先进的 AI 芯片可用于多个产品线,至少在理论上可用于多个版本。
然而,简化开发过程和降低芯片总体成本的压力持续存在,单个先进芯片的成本可能高达数亿美元。为此,EDA 工具供应商一直在努力确定在不同垂直市场或实际使用时的常见问题。这其中的许多工作都是围绕已经存在的标准以及正在开发的新标准进行。
“需要考虑几个方面,例如确保客户使用的是正确版本的 IP。“Arteris IP 董事长兼首席执行官 K. Charles Janac 表示,“强制 IP-XACT 设置参数是为了使 IP 模块可以进入 SoC,还有供应管理方面。许多公司有不同的供应商,包括布局公司,设计公司和代工厂。如果整个供应链都是 IP-XACT,那么它将变得非常顺利。同时,芯片中包含领先工艺和成熟工艺的芯片。因此,通过与 NoC 兼容的芯片间连接,以及 IP-XACT 配置出口端口,可以使用小芯片的系统级封装简化。”
挑战在于如何将所有这些片段融合在一起成为一个高层次的抽象,然后进行深入挖掘,然后在更高层次上进行分析。这是过去几年许多大型 EDA 公司集中精力解决的问题。EDA 供应商一直在提高其工具和设备的速度和容量,包括利用异构平台来加速流程,有时还与机器学习相结合。
此外,所有主要 EDA 工具供应商都在需要极端计算能力(例如在验证或调试期间)的情况下利用云。结果是,与过去相比,模拟、仿真和原型设计具有更大的扩展空间,并且点工具与更高级别的平台间的集成更加紧密。
如何实现数据格式标准化促成全产业链合作?
在日益复杂的设计过程中,一项新的挑战是不同的数据格式。多芯片和系统集成会在整个设计制造流程中生成更多数据,但并非所有数据都能被不同的工具所理解。能够统一这些数据将使流程更简单。
“需要标准化数据格式,以便能够在模拟器之间交换信息,从而允许使用通用接口来分析数据格式。”Fraunhofer IIS 自适应系统工程部设计方法学部门负责人 Roland Jancke 表示 。“如果所有部件都用标准化接口,那么它们协作的机会就更高,这对于开发本身和开发过程都是有利。在设计产品之前,我们必须从部件中构建模型,如果这些模型可以组合在一起,并且有机会让那些部件的模型以一起使用,那么我们可以确定系统也可以使用。”
但是,使用一致的数据格式提高抽象级别是一个挑战,它需要整个供应链的合作。以前,需要更多的专业知识来对设备进行检查、测试,并确保有足够的产量。现在,设计复杂的芯片需要在电气工程、验证、测试、电源、机械工程、软件以及领域专家的专业知识,在某些情况下,还需要机器学习,深度学习和 AI 方面的数据科学家。
Synopsys 产品管理和营销部门总监 Hany Elhak 说:“过去,这些团队没有相互沟通。他们使用不同的工具,并且使用了不同的流程,现在他们不得不对话。就 EDA 而言,我们需要意识到这一点,要提供融合的工作流,以使这些团队能够相互合作。我们正在尝试解决两个问题。相比传统的电路,现在的电路更大,更复杂,以更高的频率运行,并且它们具有更多的寄生效应。这是规模问题,我们正在尝试通过提供更快的仿真和更高的容量仿真来解决这个问题。同时,我们也在尝试解决的另一个问题,许多不同类型的电路集成更大的系统,因此需要将它们一起设计。
第二个挑战涉及将 AI / 机器学习纳入越来越多的设备中。AI 依靠良好的数据和一致的格式来达到足以用于其任务的精度水平。
Arm 研究员兼技术总监 Rob Aitken 说:“精度本身就具有挑战性。在某些标准化难题或数据集上获得的精度并不一定表明它在实际应用中将要做什么。比如,它正确地识别了 95% 的图像,但是如果应用程序占了 5% 的全部,这就是需要解决的问题。”
在多功能系统中,准确度的预测甚至更加复杂。
“如果拥有一个给定精度的系统,而另一个系统却具有另一个精度,那么它们的整体精度取决于这两种方法彼此之间的独立程度。同时还取决于将两者结合使用的机制。”Aitken 说。“在诸如图像识别之类的应用中,就比较容易理解了。但是,在有雷达数据和摄像头数据融合的汽车类应用程序中,就很难了。它们实际上是彼此独立的,但是它们的精确度还取决于必须知道的外部因素。有可能出现这样的情况,雷达认为它是一只猫,相机说那里什么也没有。实际情况是,由于天黑,雷达可能是正确的。但是,如果正在下雨,也许雷达也是错误的。”