滚动信息2

摘要：在芯片设计复杂度不断攀升的背景下，人工智能（AI）技术的应用正在逐渐改变电子设计自动化（EDA）工具链的结构，为设计空间探索、自动化逻辑生成、仿真加速以及智能验证等核心环节提供支持。本文着重分析EDA+AI结合的实际需求，目前应用存在的核心缺陷，并对未来方法学的演化趋势进行展望，从而为芯片设计流程带来革命性的变革。

关键词： EDA工具；人工智能；芯片设计自动化

引言

传统的设计方式很难满足7nm及以下工艺节点所要求的高性能、低功耗、多约束协同优化等目标。同时，AI（尤其是大模型和机器学习）在EDA领域的应用正展现出巨大的潜能。如何有效将AI引入EDA流程，提高设计质量和开发效率，已成为半导体行业的研究前沿课题。

一、EDA+AI设计需求及挑战

（一）芯片复杂性提升对EDA工具提出更高要求

当制程节点扩展到7nm、5nm甚至3nm时，芯片设计面临更复杂且严格的功耗、性能、面积（PPA）限制。在CPU、AI芯片、汽车电子等多个领域，都需要在有限空间内实现高性能和低功耗，这对EDA提出了更高要求。

（二）AI赋能EDA的设计自动化潜力

AI技术可以在芯片设计中协助探索设计空间、优化参数、生成逻辑，并减轻人工设计的工作量和周期压力。例如，大语言模型（LLM）已初步应用于电路代码的自动生成和验证任务分解等方面。研究项目如AutoChip和ChatEDA已经验证了生成式AI辅助芯片设计的可行性，可以将自然语言描述转化为Verilog硬件电路代码[1]。同时，传统机器学习也被用于时序预测和测试覆盖率优化，有助于提升整体设计效率与质量。

二、EDA+AI当前应用现状与不足

（一）AI在EDA多个流程中已有初步落地

当前AI技术已经在EDA流程的若干环节展示应用潜力，包括时序分析、布局布线、电路仿真、制造测试以及验证调试等方面。例如，Cadence公司的Cerebrus利用强化学习自动优化芯片设计流程中的参数设置；Ansys联合NVIDIA将AI引入热仿真，加速了热分析速度（据报道可实现超过100倍的加速）；Synopsys和西门子（Mentor）等也在将AI代理引入验证工具（如Siemens EDA的Questa Verification IQ利用AI/ML提升验证效率）。

（二）当前AI+EDA方案的三大瓶颈

首先，设计数据高度保密且可用于训练的公开数据集匮乏，导致AI模型的泛化能力较弱，难以适应多样化的设计场景。其次，AI模型缺乏透明性，输出结果难以解释且重复性不佳，一定程度上降低了对模型的信任度，限制了其部署范围。最后，不同EDA工具间缺乏统一的协同标准，导致AI模块大多是局部应用，难以实现贯穿设计全流程的端到端智能优化。

三、EDA+AI未来设计方法学展望

（一）AI原生EDA平台成为主流演化方向

未来的EDA工具将不再是简单在现有工具链上叠加AI功能，而是在架构层面与AI能力深度融合，打造“AI原生”的全栈平台。例如，Synopsys.ai提出将生成式AI和对话式交互融入EDA，通过自动生成RTL代码、编写验证脚本、优化设计流程等手段，实现从设计到验证的智能闭环。这类平台不仅能够完成复杂设计任务，还可以不断积累过程数据、持续学习优化，相当于构建一个可以自我进化的“自适应”设计系统。

（二）大模型驱动的端到端自动设计

随着大语言模型对逻辑和语义理解能力的提升，芯片设计正朝着“由需求规格直接生成设计”的端到端自动化迈进。当前一些探索（如AutoChip、ChatEDA）已经初步实现由自然语言生成硬件电路描述代码的功能；谷歌DeepMind的AlphaChip则展示了利用强化学习自动完成芯片平面布局的强大潜力，可在数小时内给出媲美甚至超越人类专家的布局方案[3]。未来，预期大模型有望实现以功能需求为起点，一键生成芯片架构、RTL代码、物理布局直至验证的全流程设计，大幅压缩芯片设计周期。

（三）智能验证体系构建突破验证瓶颈

验证已成为芯片研发中最耗时的环节，AI正在为测试生成、回归选择、故障定位等任务提供新的解决方案。一些智能验证工具开始涌现：例如Cadence Verisium系列中的WaveMiner能够自动分析大量仿真波形数据，捕捉导致测试失败的关键信号和时刻；Synopsys的Verdi RDA（Regression Debug Automation）利用AI自动分类定位回归测试中的失败原因，实现了10倍以上的故障归因加速。这些技术不仅提升了验证效率，并且加强了在设计初期发现缺陷的能力，从而有望提高一次流片成功率。

（四）开源EDA与AI生态协同推动开放创新

为了增强AI模型的泛化能力并加速技术演进，产业正逐步走向开放协作的新格局。开源EDA工具（如OpenROAD）和DARPA推动的POSH计划，为AI模型训练提供了大量公开的数据和场景基础[4]。未来如果能构建共享的数据集和标准评估体系，将有利于打破企业“数据孤岛”，促进学术界与工业界的深度合作。EDA厂商也可以通过开放接口、支持第三方AI模块接入等方式，打造互联互通的智能设计生态，加快EDA智能化转型步伐。

结束语

综上所述，EDA与AI的深度融合正推动芯片设计进入全新的智能化时代。从设计空间自动探索、逻辑生成、仿真加速到智能验证，AI正在赋能EDA流程中各个关键环节。尽管目前仍面临挑战，但技术和生态的持续演进正在逐步破解这些难题。未来AI原生EDA平台、端到端的大模型自动设计、智能验证体系等将成为主流发展趋势。把握这一变革机遇，将有助于半导体企业大幅提高设计效率、加速产品流片，并实现EDA工具从“辅助工具”向“核心引擎”的跃迁。

参考文献

[1] 梁云，卓成，李永福.EDA 左移融合设计范式的发展现状、趋势与挑战 [J]. 中国科学：信息科学，2024,54 (1):121-129.

[2] DEEPMIND. How AlphaChip transformed computer chip design [EB/OL].(2024)[引用日期].https://deepmind.com/blog.

[3] Cadence. Verisium AI-Driven Verification Platform [EB/OL].(2023)[引用日期].https://www.cadence.com.

卓立文

深圳华大九天科技有限公司