AI能否创建缺失的电子设计自动化模型？

模型是电子设计自动化（EDA）流程的核心组成部分，在捕获必要设计细节的同时，还需保持良好的执行性能。长期以来，模型的创建、维护与验证成本高昂，限制了其广泛应用。随着AI技术的快速发展，这一局面或许将迎来根本性改变。

模型的价值与挑战

模型的作用在于提炼关键信息，同时屏蔽不必要的细节。它们是EDA流程的核心，许多模型已实现标准化，以便在不同工具和供应商之间实现可移植性。有些模型应用极为广泛，例如设计本身的RTL模型，或构成测试平台的一系列模型；而另一些模型则仅用于流程中某一特定阶段的单一任务，例如架构性能模型。

尽管有人认为未来有可能从规格说明直接跳到流片环节，但至少在近期内，这种可能性极为渺茫。没有任何模型（包括规格说明本身）能够包含设计的所有细节，同时还具备足够的执行性能以供分析。因此，抽象化、简化或估算是不可或缺的手段。在很多情况下，细节会在设计过程中不断涌现，需要以某种形式反馈至早期模型进行进一步分析。

传统上，模型成本高昂，原因在于需要创建、维护，并验证其准确性。一旦对模型缺乏足够的信心，就可能做出错误决策，带来高昂代价。历史上曾有一些颇具潜力的新流程因创建所需模型的成本过高而被迫放弃，电子系统级抽象便是典型案例——它曾承诺支持早期架构探索与性能分析，最终却未能落地。

AI有望大幅降低模型创建成本

如今，业界寄望于AI能够以极低的成本创建所需模型。新的流程与工具得以快速部署，用于解决高度具体的问题，在某些情况下，这些问题甚至是某个特定客户或设计风格所独有的。

Normal Computing产品工程负责人Arvind Srinivasan表示："与许多其他物理过程一样，硅工程中的大量工作都是在尝试近似计算极其复杂的物理过程，主要依赖仿真和近似模型。纵观AI的发展轨迹，尤其是强化学习在这些领域的应用，我们已经能够获得对某些事物更优质的学习仿真，从而提供更好的起点。行为模型是对某种最终结果的代理，因此无需进行完整仿真。最终目标是获得对该物理过程更精确或更优化的表达。"

一些公司正在考虑构建一套涵盖不同细节层次的模型体系。Synopsys技术人员Ramesh Narayanaswamy表示："我们已经看到这种趋势开始显现。例如，一家公司可能希望将成本较高的模型用于规划阶段，将中等模型用于实施阶段，而在进行数据分析时，则可以使用速度更快、成本更低的模型。智能体和子智能体应协同工作，选择合适的模型，而不是将预算全部消耗在最昂贵的模型上。"

Keysight EDA研发研究员Tom Demuer指出："抽象模型的执行速度通常可以快一个数量级甚至更多。一旦我们拥有了更具产业化的模型创建方式，速度与精度之间的平衡就变得更加灵活。到时候，你可以说'我想要一个更精确的模型，但要控制在一定成本范围内'，然后灵活选择，但前提是需要一套非常完善的模型创建流程。"

模拟混合信号领域率先探索

模拟混合信号领域成为新兴技术与模型融合的最前沿。Siemens EDA高级副总裁兼总经理Abhi Kolpekwar表示："混合信号采用基于自上而下行为模型的流程，但由于缺乏优秀的建模人员，推广面临重重阻力。随着AI的引入，模型的用户准入门槛可能大幅降低，人们可以更轻松地将大量昂贵的模拟仿真转化为数字仿真或更高层次的抽象模型，从而提升仿真速度。"

ChipAgents工程负责人Mehir Arora解释道："完整的晶体管级或物理仿真（包括电磁或热仿真）对于复杂设计可能需要数周乃至数月的时间。行为模型可以在不仿真每个内部细节的情况下，复现模块的输入输出行为，将运行时间从数周压缩至数小时乃至数分钟。AI生成的行为模型可作为经验证子模块的快速替代品。锁相环、模数转换器、数模转换器、低压差线性稳压器等模拟/混合信号模块以行为建模难度著称，其行为具有非线性、工艺敏感性和环境依赖性。AI智能体能够协调这些权衡，生成高保真行为模型，为专家节省大量工作时间。"

训练数据缺口与验证挑战

在数字领域，业界期望AI能够在无需深厚硬件知识的情况下，将设计从规格说明推进至实现阶段。然而，南安普顿大学AI与EDA研究员Simon Davidmann指出："功能正确性与实现正确性并非同一属性。RTL代码在功能上正确，但如果编写时未考虑时序收敛、复位策略或时钟域规范，即便通过仿真，也可能在后端流程中无法完成时序收敛。目前大语言模型主要产生功能正确性，而具有物理意识的编码规范在现有训练数据中严重不足。"

Normal Computing产品经理Hanna Yip也指出了训练数据方面的缺口："对于DRAM验证而言，真正关注的失效模式——如时序违规、协议边界情况和条件交互——在典型仿真轨迹中严重欠代表，因为大多数仿真时间都花在了正常场景上。基于此类数据训练的模型，在常见情况下表现出色，却会在真正导致重新流片的案例上悄然失误。"

在验证流程方面，Breker Verification Systems首席执行官Dave Kelf表示："AI在创建用于描述验证计划的模型方面展现出一定潜力。这些模型可以用抽象语言实现，再输入综合流程以生成实际验证测试。通过使用抽象模型，AI流程被拆分为可管理的阶段，同时借助现有EDA技术融入新一代流程至关重要的'经验知识'。"

Moores Lab AI创始人兼首席执行官Shelly Henry提到了便携激励标准（PSS）语言的应用："PSS本是以抽象方式表达验证问题的模型，但用户过去需要学习一门新语言。现在AI可以直接生成PSS，再将其在顶层拼接，并借助其他工具实现测试用例，从而消除语言学习障碍，让用户快速获得最终结果。"

Davidmann对此也强调："AI生成内容用于生产部署的不可谈判前提是验证必须纳入流程。没有确定性验证步骤的AI生成内容只是研究原型，而非生产流程。无论是RTL模块、UVM测试平台、SVA还是覆盖率模型，每一个AI生成的制品都必须在进入设计数据库之前经过确定性检查。"

模型的维护与碳足迹问题

无论模型由人工还是AI创建，都需要持续维护。Davidmann指出："基于去年工艺数据训练的模型，随着PDK的更新，其相关性会逐渐降低。重新训练的成本、训练周期以及使用旧版模型构建的设计状态，在现有供应商文档中均未得到充分说明。评估AI工具采用的团队应明确核算这一成本，因为这是一项持续的工程义务，而非一次性采购。"

此外，AI辅助设计的碳足迹问题也不容忽视。Davidmann表示："对于一个正承受降低产品功耗压力的行业而言，AI辅助设计的碳足迹问题尚未得到系统性关注。一个重要的考量是：AI辅助设计的能源成本，是否能被所生产芯片的效率提升所证明是合理的？如果AI优化的设计在实际使用中能显著降低功耗，那么在考虑训练成本之后，整个生命周期内的净能量平衡或许仍有利于AI辅助流程。然而，这一计算尚未得到严格验证，仍有大量工作需要完成。"

编者注：本系列文章的第二部分将深入探讨模型创建与验证的具体细节，并分析这些模型的局限性。

Q&A

Q1：AI创建EDA模型的主要挑战是什么？

A：AI创建EDA模型面临多重挑战。首先是训练数据缺口，关键的失效模式（如时序违规、协议边界情况）在仿真数据中严重欠代表，导致模型在罕见但重要的场景下容易出错。其次是规格说明的模糊性，规格中存在未明确或可多重解读的条款，AI训练出的模型可能固化某种错误解读。此外，模型还需持续维护，随着工艺设计套件（PDK）更新，旧模型的相关性会逐渐降低，重新训练需要持续的工程投入。

Q2：AI在模拟混合信号建模中能带来哪些具体收益？

A：在模拟混合信号领域，AI的引入可以将复杂设计的仿真时间从数周压缩至数小时甚至数分钟。对于锁相环、模数转换器、数模转换器等难以行为建模的模块，AI智能体能够协调非线性、工艺敏感性等复杂权衡，生成高保真行为模型。同时，AI还能显著降低建模的用户门槛，使工程师无需深厚的建模专业知识，也能将昂贵的模拟仿真转化为更高层次的抽象模型，大幅提升仿真效率。

Q3：AI生成的RTL代码为什么无法直接用于生产？

A：目前大语言模型生成的RTL代码主要保证功能正确性，但缺乏对时序收敛、复位策略、时钟域规范等物理实现要求的意识。一段功能上正确但未考虑时序的RTL代码，可能通过仿真却在后端流程中无法完成时序收敛——例如目标频率只能达到60%，这意味着需要完全重写，而非简单修正。此外，具有物理意识的编码规范在现有训练数据中严重不足，这是当前大语言模型在硬件设计领域的核心局限。