数字芯片设计EDA工具的2.0时代 (下)
半导体行业持续驱动着工艺沿摩尔定律发展,为EDA带来了日益增长的技术挑战。未来的芯片挑战来自于工艺、丰富的应用场景、整体设计规模以及成本。为了应对这些挑战,除了要把工具做得更好外,还需要积极探索EDA工具与AI和云技术的融合,让芯片开发者可以把研发的重点转移到如何创造出更有意义的芯片。
半导体行业持续驱动着工艺沿摩尔定律发展,为EDA带来了日益增长的技术挑战。未来的芯片挑战来自于工艺、丰富的应用场景、整体设计规模以及成本。为了应对这些挑战,除了要把工具做得更好外,还需要积极探索EDA工具与AI和云技术的融合,让芯片开发者可以把研发的重点转移到如何创造出更有意义的芯片。
EDA工具进入2.0时代,EDA需要变得更加AI化,它能帮助客户设计达到理想的PPA目标(性能、功耗、面积),开发性能更高的终端产品,并进一步减少设计迭代,缩短设计周期,加快上市速度。
从历史中学习,但也要跳出固有思维。西方宝贵的经验可以借鉴,但不要成为追随者。即使100个创新中有99个无所成就,唯一的成功依然可能永远改变我们的生活和方向。机器学习技术已经在新思科技客户的实际量产中得到应用,它显著提升了客户5nm芯片的性能和功耗,得到了客户的一致好评。此外,我们已在10月推出了更多的机器学习新技术,以进一步巩固我们在这一领域的领先地位。
HPC不仅仅是用来解决这些超级困难的问题。很多非研究性应用正在崛起,例如,在渲染《星际迷航:发现》或《星球大战:天行者的崛起》等电影中最新的CGI效果,电影制作者就用到了HPC。此外,它还被用在自动驾驶,脸部识别来解锁手机,以及让虚拟助手更智能,能识别出主人在和它说话,并更准确地回答。
人类的科技史,就是向着星辰大海不断前进的探索史,而坚持创新、追求未知的开发者是推动人类科技车轮滚滚向前的主要力量。在下一个以芯片为基石的时代,新思将陪伴着广大开发者探索“芯际”,以新的设计技术和方法学驱动芯片创新,赋能未来应用。
从异构的整合数据模型组转变为单一的统一模型,并在统一的 RTL-to-GDSII 流程中使用单一的引擎组,可能会对 TTR 和 PPA 结果产生重大影响。获取所有数据,使得算法可以变得更加有效。由于逻辑和物理结果之间具有良好的相关性,迭代可以显著减少。
发布于 芯片设计和验证