電子設計自動化 (EDA)
系統
矽智財 (Silicon IP)
SolvNetPlus
教育與訓練課程
簡化類比與數位製程節點遷移 AI工具扮演關鍵角色
半導體產業隨著製程技術的持續演變而發展。從早期的平面電晶體到改用FinFET，最近又轉向全環繞閘極(GAA)架構，每一個新節點都帶來在功耗效率、性能和矽面積(PPA)方面顯著改進的機會。
製程技術不斷創新，驅使IC設計團隊不斷將其晶片設計遷移到更新的製程節點，不僅是為了利用最新的科技進展所帶來的效益，也是為了回應市場對更小、更快和更節能產品的需求。
然而，製程節點遷移並不總是轉移到最新或最先進的製程技術。在某些情況下，基於經濟層面的考量，例如成本、良率和供應鏈靈活性，IC設計團隊反而會將既有的設計轉移到幾何尺寸較大的舊製程節點。
無論最終目標為何，將設計遷移到不同的製程技術，歷來都是一項勞力密集且充滿風險的努力，特別是對類比設計而言。然而，在人工智慧(AI)的幫助下，這一情況正在改變。
深度解析Synopsys.ai 技術
觀看網路研討會，瞭解如何改變晶片設計流程，以便面對系統複雜性的情況下，仍能更快速地製造更多晶片。
類比節點遷移：緩慢且艱鉅
相較於數位設計的遷移可受益於自動化和強大的工具流程，類比節點的遷移一直被視為一項艱巨的挑戰。類比電路對製程變化非常敏感，並且它們的佈局通常是需要非常費心透過手動完成的。
將這些設計移植到新的節點，不僅僅要適應新的設計規則，還需要對元件行為的深入理解、細緻的手動調整，並且在許多情況下，需要對自定義結構進行全面的重新設計。
這種高度人工化的方法，使得模擬設計的遷移既緩慢又耗費資源。即便是製程技術中的小變更，也可能對電路性能和良率產生極大的影響，因而需要大量的工程專業知識和時間投入。
因此，在為半導體設計導入新的製程節點時，類比遷移一直是一個傳統上的瓶頸。
人工智慧：改變類比遷移規則的突破性技術
AI現在正在重新制定類比節點遷移的規則。像Synopsys ASO.ai這樣的先進AI驅動工具，正以前所未有的方式簡化並加速這一過程：
自動化原理圖遷移：人工智慧可以分析現有的原理圖，並智能地將其適應於新的製程節點，保留設計意圖的同時，適應新的設備特性。
以AI為基礎優化電路：機器學習演算法可以快速探索大量變數，並針對多個目標(如PPA)以及特定製程約束來最佳化類比設計。
智慧佈局遷移：人工智慧能夠解讀並適應複雜的手工類比佈局，例如那些具有專有秘方的結構(如電流鏡中的Finger Interlacing)佈局，以適應新的製程節點，從而顯著減少人工投入。
寄生感知(parasitic-aware)最佳化：AI驅動的工具可考慮到寄生效應對電路行為的影響，確保設計在製程遷移過程中保持穩健和高效能。
加速設計收斂：與模擬和驗證工具(如Synopsys PrimeSim SPICE和IC Validator)的整合，使得AI能夠快速迭代並收斂於最佳解，進一步加快設計週期。
實際效益：兼具效率、品質與創新
使用AI工具進行類比節點遷移已經帶來了實質性的好處：
顯著的時間節省：過去需要幾週或幾個月才能完成的任務，現在可以在幾天甚至幾個小時內完成，為工程團隊騰出寶貴的時間資源。
提高品質和一致性：人工智能幫助標準化遷移過程，減少人為錯誤和變異，同時確保最佳實踐的一致應用。
解鎖新的可能性：透過降低遷移的門檻，人工智慧促使將類比設計轉移到更先進的製程節點變得可行，甚至是在成本敏感的應用中，轉移到更大的幾何結構，讓公司可以爭取更廣大的產品和市場。
為矽智財團隊賦能：新思科技自家的矽智財團隊也仰賴人工智慧驅動的工具，以便在多家晶圓廠的製程中遷移和最佳化新思科技旗下的類比矽智財，進而能夠快速回應客戶需求和市場變化。
數位節點遷移：同樣因人工智慧而強化
數位節點遷移通常涉及重新進行完整的RTL到GDS II流程。這個流程也正在經歷人工智慧所帶來的變革。數位流程長期以來一直受益於自動化，但現代晶片日益升級的複雜性以及激進的PPA目標，持續考驗著傳統工具和方法的極限。
AI驅動的解決方案，如Synopsys DSO.ai，正在將數位節點遷移提升到新的高度。透過在流程的每一階段引入智慧自動化和最佳化，我們可以得到以下效益：
自動化的PPA最佳化：AI演算法可以快速探索廣泛的解決方案空間，自動調整設計參數以實現最佳的PPA效果。這包括調整放置、布線和時鐘樹合成策略—這些任務以前需要大量的手動介入和反覆的微調。
更快的設計收斂：透過學習以往的專案並利用大型資料集，AI工具能夠預測並解決流程中的常見瓶頸，例如時序收斂和擁塞問題。這可加快收斂速度並減少昂貴的設計迭代次數。
無縫的IP整合：整合新的或更新的IP區塊是數位節點遷移中的一個關鍵方面，新思科技提供多種針對最新節點最佳化的IP解決方案。人工智慧可以智能地管理相容性檢查、介面調整和性能驗證，簡化流程並最小化整合風險。
資源最佳化：人工智慧可以對分散的工程團隊動態分配運算資源，並考慮任務的優先順序，確保工程人才和EDA基礎設施得到有效利用。
設計規則調整：隨著製程節點的進步，設計規則變得越來越複雜。人工智慧驅動的工具可以自動解釋和應用這些規則，降低違規的風險，並確保從一開始就具備可製造性。
這些由人工智慧驅動的強化措施提供顯著且可衡量的好處：
縮短設計週期：數位設計團隊現在可以更快地過渡到新節點，滿足緊迫的交付時間，並加速新產品的上市時間。
改善設計品質：AI在多個目標之間進行最佳化及從過往專案中學習的能力，能夠產生更穩健、更高品質的設計，並減少後期意外情況的出現。
可擴展性：人工智慧使團隊能夠管理日益增長的系統單晶片(SoC)設計的大小和複雜性，可支援從小型IP區塊到大型、具有數十億個電晶體的晶片遷移。
在實際操作中，利用AI驅動的遷移工具的數位團隊報告中指出，除了能夠更快速地完成投片(tapeout)外，還能實現更可預測的結果，以及具有嘗試多種晶圓代工流程或技術選項的靈活性。
人工智慧驅動的未來
人工智慧正在迅速將節點遷移從一項痛苦的必要工作轉變為半導體設計中創新的策略推動者，尤其是在類比領域，影響最為顯著。透過將複雜的手動任務自動化，人工智慧使團隊能以前所未有的速度、可靠性和創造力遷移設計。隨著產業的持續發展，人工智慧與人類專業知識之間的協同合作，將成為全面發揮下一代半導體技術潛力的關鍵。