是什么让模拟 IC 设计工程师彻夜难眠？

随着半导体需求的持续增长，模拟 IC 设计工程师正在努力解决巨大的挑战，包括跨技术节点迁移模拟 IP 以及实现长期以来看似不可能的新功耗和性能指标。人工智能技术越来越多地帮助行业解决过去无法解决的任务。这同样可以应用于设计的模拟方面吗？

在今年的 SNUG 硅谷 2024 会议上，技术领导者在小组讨论中分享了他们的观点，“无法解决的模拟设计挑战需要突破性技术。”随着模拟设计向埃迈进，设计规则变得更加复杂。FinFET、环栅 (GAA) 和互补 FET (CFET) 等新型晶体管器件带来了新的挑战，采用垂直架构的多芯片设计也是如此。

在人才严重短缺的情况下，模拟设计团队必须弄清楚如何运行设计规则检查和仿真、如何解决寄生效应和电迁移/电压降 (EMIR) 等等。虽然数字方面往往受到广泛关注，但当今的设计仍然包含大量模拟组件，从高带宽内存到高速 I/O。

在新思科技 (Synopsys) 应用工程高级副总裁 Alessandra Costa 的主持下，小组深入探讨了这些主题及更多主题。参加者是：

• John Lee，Ansys 电子、半导体和光学部门总经理兼副总裁

• Rachid Salik，台积电董事

• Ting-Sheng Ku，NVIDIA 高级工程总监

• Huijuan Wang，西部数据高级总监

• Sridhar R. Boinapally，英特尔模拟混合信号工具/流程高级总监

在讨论中，，他们谈了有关模拟社区面临的具体挑战的见解，以及突破性的电子设计自动化 (EDA) 技术如何弥合生产力差距，特别是在先进节点上。

模拟世界的主要挑战之一是完成设计所需的手动工作。例如，西部数据拥有分布在三个地点的全球布局团队。Wang说：“我们24小时工作，几乎是24/7，只是为了一个新的技术节点重新绘制所有布局，这是一个巨大的努力。如果我们继续手动做事，我们就无法跟上设计的复杂性。所以现在我觉得人工智能是一个激动人心的时刻。”

Ku 指出，当模拟团队讨论引入自动化或其他工具时，“投资回报率的计算从来都不是那么好。因此，一方面，模拟问题一开始就更难解决。因此，需要更多的资源来创建自动化，创建有助于模拟设计人员的工作流程。但另一方面，回报是……‘哦，你只占据了……10%的die空间？！’

Ku 继续他的话题，确实发表了乐观的言论，“我认为默认情况下，通过模拟设计自动化，它不会是第一个这样做的，因为它更难而且投资回报率更低。但最终，我们会到达那里。”

虽然模拟是一个非常复杂的领域，但 Salik 认为生态系统无所不能。“上市时间给每个人带来了压力，无论是数字方面还是模拟方面，”他说。“从台积电方面来看，我们认识到这是一个巨大的机遇，也是一个挑战，但对于我们来说，这是一个巨大的机会，我们可以做一些事情来更快地设计模拟。我们认识到 [模拟] 是我们客户的一大兴趣，我们已经开发了相当多的功能、工具和方法，并对其进行了验证，从平面转向 FinFET，现在从 FinFET 转向 GAA（或纳米片）。

Boinapally的观点与 Salik的观点略有矛盾。“我认为在 IP 重用或设计迁移方面，当今的电子设计产品并未达到标准。很多时候，在设计中，我们主要是将 IP 从一个工艺节点迁移到另一个工艺节点……在我们的例子中，也从一个代工厂迁移到另一个代工厂。而且大部分都是手动的。不管人们怎么说，一切都是手动的……布局，甚至原理图迁移。是的，其中一些是自动化的，但很多都是手动完成的，甚至是像设计居中这样的基本工作。”因此，博伊Boinapally认为存在“巨大的机会”。我看到了提高我们生产力的一个非常非常大的方法，设计迁移就是其中之一。”

Lee 强调了他在模拟领域看到的自动化的一些机会。以 CFET 为例，他指出这些设备固有的巨大热效应。在任何类型的高速模拟设计中，电磁学和寄生效应也很重要。“有巨大的机会来模拟这些寄生效应和物理现象，”Lee说。“但同样重要的是，这样做的方式可以从根本上解决问题的根源，并为您提供进行优化的工具。”

随着多芯片设计变得越来越普遍，特别是对于计算密集型应用程序，Costa 对小组成员所代表的公司如何应对相关挑战感兴趣。Salik 指出，台积电正在大力投资 3DIC 技术，并在生态系统内密切合作。“这是一个我们喜欢挑战的行业，”他说。“一旦我们发现了挑战，我们就会聚在一起尝试解决它。因此，台积电在这方面正在利用 EDA 开展许多举措，以支持和优化 3DIC。”

Ku 指出，他看到了 NVIDIA 模拟使用量的巨大增长，并指出：“我觉得我们可能正处于想要加快速度的阶段。除此之外，还需要在更智能的模拟方面进行更多投资。也许只模拟关键区域。”

Lee 呼吁开发一种模拟约束语言来传达工程师的意图。他解释说：“如果偏差超过这个，请告诉我。当你告诉我时，请告诉我原因。”除此之外，Salik 指出了他希望 EDA 社区探索的增量行动的重要性，“我对我们正在做的事情的理解是，不仅是设计意图，而且一旦你进行模拟并进行更改，你需要记住已经做过的事情，并尝试利用已经做过的事情来避免重蹈覆辙。”在他看来，这可能是人工智能的另一个机会：组装整个设计流程并捕获已更改和未更改的内容。

在挑战的同时，工程人才的短缺也日益突出。正如Costa指出的那样，“从资源的角度来看，所需的资源与我们拥有的资源或我们的大学可以生产的资源之间的差距正在扩大。我可以告诉你，在不止一家公司进行过现场工程，找到优秀的工程师并不是那么容易。那么我们如何才能帮助缓解人才短缺的问题呢？人工智能领域的创新前景广阔。”

小组成员讨论了工程师进行自学的重要性，并指出了 ChatGPT 等工具如何支持这一点，而人工智能副驾驶可以帮助新工程师更快地提升。

Boinapally 强调，该行业的趋势是拥有真正模拟设计知识的人越来越少。他想知道 EDA 社区是否可以增加其工具、流程和方法的抽象性。更高层次的抽象与人工智能相结合可能会帮助新工程师从一开始就提高工作效率。“我相信这是可能的，可以更好地抽象我们的问题。我认为这才是我们应该投资的地方。”

在小组讨论结束时，Costa指出：“我得出的结论是，已经取得了进展，但仍有很长的路要走。也许人工智能会有所帮助。”

公众号ID：icbank