作为芯片设计领域的第一环，EDA工具/IP的设计往往需要多年的磨练与验证，他们对真实的产业趋势和设计需求非常敏感，工具和IP的变化与发展，直接影响着芯片产业的发展速度。
Aspencore旗下的EDA/IP技术论坛于3月28日在上海长荣桂冠酒店成功举办，吸引了上百名IC设计工程师出席，该论坛已经持续举办14年，长期跟踪最先进的EDA/IP技术，聚焦 IC 设计工程师最关心的设计需求。
本文聚焦论坛的精彩片花分享给读者。
看点一：AI半导体测试：是人工智能？还是统计学？
人工智能从消费领域热到了工业领域，第一场演讲来自北京博达微科技有限公司工程副总裁耿春琦，他分享了《AI在半导体测试和模型提取中的实际应用》的报告。
“其实以前我们都叫算法，主要是IV/CV/高低温测试，通过算法在有限环境下，对各种情况预判不同的电学反应。对半导体领域来说，AI和统计学的本质上是一样的，通过数学的方法，通过有效数据在更多场景下进行合理预测。”耿春琦指出：“半导体‘AI’应用一直存在，区别是你叫它AI还是算法。”
图：大数据 vs 小数据。
“不同于消费领域常见的大数据，半导体领域没有那么多的数据，但AI也有实际运用，原因是半导体领域，有个很有用的武器，是Physics，他不是随机的，能提供shortcut进行预测和实际运用。”耿春琦指出，有了强力的Physics做支持，即使数据低，但是质量高。
在实际运用中，博达微公司在相当于在Si technology和Design之间架起一座桥梁。“我们公司成立于2012年，创始人来自Cadence，算法主要来自于清华微电子，有半导体经验，也有算法经验，算法应用转移至半导体测试领域变成了核心竞争力。”耿春琦指出。
最近公司一个成功的案例是利用自己的测试硬件，器件建模用AI后效率提升10倍左右：
用到的设备为：2台12寸自动机台，4/20个Channel，以及一个LCR。
看点二：选对IP，做好芯片！——集成电路IP共享平台助力IP选型
“IP行业产业高度集中，Top5占到行业的77%，想要做大很难，但是这一环境对IC设计产业链很重要。” 中国科学院微电子研究所信息中心主任，集成电路IP共享平台负责人辛卫华指出，IP核普遍应用的趋势正在加强，例如苹果A11处理器内就含有40多个IP核。
面对碎片化越发严重的应用市场时，使用第三方IP核已是多数企业和团队普遍采用的方法：
何时我们会购买第三方IP？针对这个问题，辛卫华指出：当IP供应商可以提供获得超越竞争对手的战略优势时，将导致半导体IP市场整合和收购。
他认为，大多数的IP应用是基于一个或多个原因：节省开发成本，通过购买IP通常比从头开发更便宜；为产品战略做出贡献，为芯片或系统提供竞争优势；降低风险、复杂性和上市时间。
但同时，IP集成面临很多挑战，也是个极度专业化的过程，需要专业化的人员熟悉IP配置，能够和芯片的结构相适配；需要确认时钟域、复位、异步的始终问题；IP验证，用户需要按照供应商的验证流程，再次验证；问题往往出现在接口的地方，来自不同团队的不同工程师集成来自不同公司的IP核。
这提出了IP管理的必要性：
辛卫华的总结和思考：
看点三：放眼系统级的设计与分析
5G技术，物联网，大数据和云平台的广泛应用，大量的硬件设备将通过高效、高带宽接口相互连接以实现信息的共享和交互。
针对传统硬件设计中存在的效率不高，品质不强等问题，Cadence开创性的推出系统级设计和分析( System Level Design and Analysis)解决方案，为用户提供先进硬件开发从前端到后端的一站式体验，拉通从硅片设计到整机系统开发验证的全流程，帮助客户在激烈的市场竞争压力下以最快效率提供高品质产品。
“很多电子系统在开发的过程中，就能通过ECAD-MCAD看到成型后的三维视角，SI/PI帮助提高电子产品质量的手段。”Cadence中国区资深技术专家秦祖立指出。
做完版图再分析，仿真完后很多报告没法告诉设计者缺陷在哪里，In-Design分析可以在设计阶段就做分析，把串扰，阻抗分布等做个约束规则，在后续布线按这个规则可以大大减少布线周期。
不同应用需要定制方案：
秦祖立分享了公司在“多物理场”分析方面的方案。“这是目前比较热门的一个话题，随着着系统越来越复杂，工程师开始关心信号热和辐射，这是一个有机的整体，我们有相应的产品，且和欧洲领先汽车厂商有合作。” 秦祖立表示。
他举了一个例子是自动驾驶中控的系统，由于系统功耗很大，所以为了散热好，在机箱背面挖了很多洞，结果散热变好了，但是在很高频率下，电子系统的辐射会从洞里漏出去，导致EMI指标超标。
怎么获得平衡？“我们做了很多迭代分析，仿真，对机柜做了一个热流分析，把不同位置的温度场分析出来。分析好温度场后，再看对外的辐射，在某个地方的远场辐射超标后，我们再看近场分布，哪里是热点区，人为把一些洞填起来。通过这样的迭代，可以最终达到热跟辐射的平衡。”秦祖立表示。
多物理不仅局限于热和辐射，还包括热和SI的分析，因为单板的材料是温变的，温度不同，高速信号损耗不同。这种混合分析可以精准提取高速信号损耗特性。
除了传统EDA工具，Cadence现在还有云的服务，借助公有云和私有云让中小型公司能借助云来建筑自己的平台，秦祖立介绍道。对于中小型客户来说，服务器系统不用自己布，省去系统维护和额外的开销，也是一个大势所趋，大家可以更快的开发自己的系统。
看点四：如何跑赢可靠性竞赛 ?
波音737的坠落、香港MTR相撞给我们很多思考，自动驾驶不是可以用就ok，使用场景是否都有预期？预期够多少场景才能达到足够的可靠性？
Mentor, a Siemens business公司PacRim Technical Director李立基在演讲开始为观众抛出了一个值得思考的问题。
现代汽车除了机械部分，有了更多的电子部分加入。对于车，我们要做自动驾驶，从燃油到电，智能和动力系统都和电相关。Mentor的汽车方案可以覆盖多个领域，包括电子部分，软件部分，电子部分。
李立基认为安全/可靠性方面有四个障碍需要克服：
Hurdle 1 –Exploding Complexity
Hurdle 2 –Safety Of The Intended Functionality (SOTIF)
Hurdle 3 –Functional Safety (FuSa)
Hurdle 4 –Ultra Low Manufacturing Defect Rate
而且，在3D晶体管时代有更多的缺陷可能
Increased transistor process complexity in FinFET
●“Myriads of systematic defects”
●“The number of multi-patterning steps makes things much more complex”
●“With the latest generation it takes 21 days to go from M0 to M1, compared to 3-4 days in the previous”
●“90% of defects are now inside cells”
公司的Tessent汽车级ATPG，利用关键区域缺陷模型实现更高的质量水平。
看点五：重新定义EDA，重新定义D2S
市场份额已经这么大了，为什么还要重新定义？Mentor, a Siemens Business 中国区资深技术专家牛风举指出，为了创新，自我革命。
他给除了EDA 4.0的演进历程：
重新定义D2S (Design 2 Silicon)
• Calibre Golden Sign-off
• Calibre PatternMatch enables PV pattern recognition capabilities
• Calibre YieldEnhancer Helps Foundries and Designers for FILL
• Calibre PERC Is A Platform To Handle Wide Scope Of Reliability Issues
• Calibre 3DSTACK & Xpedition provide the Proven 2.5D/3DIC package verification flow
• DFT Must Meet both Manufacturing Test and In-System Test Needs
• Closed Loop DFX Solution Accelerates Yield Ramp
看点六：全球首发的异构仿真方案
从2009年成立到今年华大九天正好走过了十年，在2018年底，该公司推出全球第一款异构仿真系统。
加速模拟设计的仿真验证，正是这款异构仿真系统带来的设计验证的变化。
“近30年，模拟技术在仿真方面的发展相对落后，模拟电路的仿真验证，没有跟上行业发展的诉求，不仅需要缩短仿真时间、验证覆盖率也要提升！” 海思平台与关键技术开发部公开指出。
这套系统有多厉害？华大九天副总经理董森华给出一个真实的客户案例：
• 电路：ADC
• 工艺：7nm
• 器件：~200K
• 寄生：~10M
这款仿真系统仿真5天完成。
“设计厂商正加速向先进工艺迁移，7nm工艺成为众多大公司的主要选择。” 董森华指出，“工艺发展给设计仿真带来极大挑战，寄生参数呈几何级数增长，PVT Corner 快速增加。”
模拟电路的仿真瓶颈已从前仿渐渐转移到后仿，仿真时间从传统的1-2个月长到5-7个月。
ALPS™ 仿真算法创新的代表，其好处包括：
• 100% SPICE精度，不做任何模型简化或约减处理
• 3~10X SPICE仿真性能提速
• >50M 器件规模的仿真容量
“尽管ALPS加速明显，但仍有很多设计需要数天甚至数周的时间，仍无法满足用户的设计周期需要。”董森华指出，“系统创新需要大算力硬件架构和适配的核心算法创新，缺一不可！”。
仿真算法必须对GPU架构进行适配再创新，通过努力，九天的小伙伴提出了独创的适用于GPU架构的 GPU-Turbo Smart Matrix Solver（SMS-GT）技术。
过去几个月有一些成功的客户案例，包括日本一家做Image sensor很厉害的公司，他们实际仿真素的得到了数十倍的增加，董森华透露。
看点七：先进验证方法赋能AI芯片
现在AI在各个领域都有广泛应用，新思科技高级AI技术专家鲍敏祺将AI应用主要分为四类：
1. 互联网的广告，定期将正确的广告推送给用户；
2. 安防。包括脸部识别等。
3. 无人超市等，经过训练做到比人更准确的识别。
4. 自动驾驶。
对于所用到的芯片来说，可以分为三大类：
其中，数据中心是最拼算力的一个领域。
鲍敏祺在演讲中将AI处理器的特性从计算、存储、功耗和I/O角度分开来介绍如下：
他详细阐述了数据中心AI处理器和Edge处理器有不同的验证挑战。然后介绍了Synopsys提供的解决方案：
为了满足AI处理器的挑战，Synopsys不停的调整自己的策略，在计算、内存优化、功耗及互联上都出过很多研究，鲍敏祺指出，以前需要工程师重复做的工作现在都有工具做了。
