EDA工具
System
IP
SolvNetPlus
培训中心
定义
设计空间优化（DSO）是一种利用机器学习最新进展对大型设计空间进行搜索的新方法。与传统的设计空间探索（DSE）截然不同——在DSE中，工程师必须手动遍历非常庞大的问题空间以寻找设计方案——DSO是一种生成式优化范式，它利用强化学习（RL）技术，自主搜索设计空间以寻找最优解。
芯片设计：广阔的搜索空间
如今，人工智能能够通过自然语言与人类互动，识别银行欺诈并保护计算机网络，在城市街道上驾驶汽车，还能玩智能 类游戏，比如国际象棋和围棋。芯片设计是一个潜在解决方案极其庞大的领域，其规模比围棋等游戏大数万亿倍。
芯片设计工作流通常会消耗和生成数太字节的高维数据区分 ，且这些数据分散在许多分别经过优化的孤岛中。这些数据可能包括：
- 设计输入。RTL 模型、功耗活动、网表、布局规划、层次结构选择
- 技术输入。器件和电路特性、寄生参数 模型、DFM模型、金属层堆叠、设计规则
- 库输入。单元架构、单元原理图、时序/功耗属性、物理特性
- 工具输入。设计流程、测试向量、分层划分、启发式设置
传统设计空间探索：一种手动流程
对这一广阔的设计空间进行探索是一项非常耗费精力的工作，通常需要数周的试验，且往往依赖于过往经验和行业常识。为了制定出最佳的设计方案，工程师必须处理海量的高速数据，并在分析不完整的情况下即时做出复杂的决策，这往往领先的 ，导致决策疲劳并使设计受到过度约束。 这种手动、迭代式的设计空间探索（DSE）过程，通过将问题进行划分来应对其复杂性。结果，设计工作流中可选方案的探索范围受到严重限制，而设计师的生产力 也因大量琐碎决策而受到影响。
在当今竞争异常激烈的市场和严格的芯片制造要求下，合格方案和最佳方案之间的差异可能意味着数百 MHz 性能、数小时电池寿命以及数百万美元设计成本的差距。
DSO：设计空间的自主搜索与优化
DSO 极大地扩展了芯片设计工作流中方案探索的范围，同时自动处理了大量影响较小的决策。
DSO 代理会分析设计工具生成的海量数据流，并利用这些数据做出优化决策，观察设计随时间推移的演变过程，并调整设计方案、技术参数和工作流程，从而引导搜索过程朝着多维优化目标迈进。 搜索可在海量规模下执行，由强化学习驱动的决策引擎能够自主处理数十至数千个探索向量，并实时摄取数十亿字节的高速设计分析数据。
作为人工智能驱动的流程优化的一个关键特征，DSO 能够自动化处理影响较小的决策，例如调整仿真引擎设置或协调实验，从而减轻设计师的繁琐工作负担，使团队能够以接近专家水平的水平进行操作 。一旦 DSO 系统在给定的设计工作流上构建了模型，这些经验就可以在各个项目和设计团队之间高效地共享和应用。
AI 级 DSO 自动化为半导体行业开启了新的增长轨迹，使企业能够构建新产品和收获新市场，使设计团队获得成长并实现未来创新。
继续阅读
