Page 41 - 第三代半導體明日之星---碳化矽功率元件近況與展望

線長度的混合佈局技術以及整體 功耗降低等等。分佈式靜態時序 分析則可以解決大型AI晶片性能 所面對的挑戰。
最後，對於高效率的3D-IC開 發而言，用戶需要一個用來進行3D 設計規劃、實現和系統分析的單一 且統一性的整合視窗，包括兼具 客製模擬與電路板協同的設計能 力、IC簽核提取、訊號和電源完整 性簽核、電磁干擾和熱分析等等。
圖2:2025年技術軟體、半導體和系統代工市場。
圖3:在EDA工具和流程中，由AI/ML所帶動的最佳化領域。
作的很大一部份，尤其是在考慮硬 體中的軟體時。其主要目標是在投 片(tapeout)到製造之前盡可能地 消除設計缺陷，並儘量以高吞吐 量進行。許多回歸作業進行動態 模擬，通常利用雲端環境中的平行 運作，並由受約束的隨機驗證技術 驅動。其中要最佳化的指標之一包 括設計覆蓋率。理想情況下，用戶 希望儘早執行對目標指標有意義的 回歸。動態驗證模擬中ML的最新進 展更有效地發現錯誤場景、提高資 源利用率和驗證信心來加速驗證吞 吐量。藉由ML增強模擬，分析隱藏 在驗證回歸結果中的模式，客戶可
用AI/ML提高EDA工具的開 發生產力
用戶開發AI/ML設計的目的除 了最佳化工具和流程之外，EDA供 應商也能夠利用AI/ML來最佳化工 具和流程的生產力。
一般而言，EDA工具(如佈局 器、模擬器、合成工具或形式驗 證)會在其核心區域，採用複雜的 演算法。EDA工具的用戶操控工具 設置、選項和命令，以便找到最佳 參數來操作各種設計展示的工具。
種方法是去了解設計師的經驗和知 識，藉 由 為 A I / M L 創 建 訓 練 模 組，使 其適切合用，然後使用經過資料集 測試的ML資料，來引導工具行為和 流程最佳化。
Cadence將由兩個角度來看待 AI/ML如何提高生產力，即AI/ML內 部性和外部性。內部機器學習(ML Inside)是對用戶無法眼見的監督型 ML模型的一種應用，它採用深度神 經網路的最佳化演算法來增強電子 設計自動化運算。例如將深度神經 網路視為代理成本函數的觀點。不 過用戶體驗ML內部性，僅僅是為了 獲得更好的體驗結果，相比之下， 外部機器學習(ML Outside)，其模 型對用戶來說是直接可視的，是用 在單個EDA工具之外進行選項設 置、約束和控制流。看待此事的一
在整個設計流程中，供應商 發現了許多AI/ML的應用項目，詳 如圖3所示。
當然，在開發過程中耗費最多 時間的驗證和設計實現，是最受到 業界關注的。
功能驗證中的AI/ML—— 從設計想法到RTL
功能驗證推動佔整個開發工
DESIGN IDEAS
www.edntaiwan.com 39