人工智能能否创建缺失的模型？

31股票

 7

 24

这取决于所使用的模型，这也会对成本产生很大影响。

2026年6月11日 - 作者：布莱恩·贝利

要点总结

模型是 EDA 流程的重要组成部分，每个模型都能捕捉必要的细节，同时保持良好的执行性能。模型的创建、维护和验证成本一直很高，限制了它们的利用，但人工智能或许能够大幅降低它们的成本。还有一个更深层次的问题：人工智能应该用来创建辅助现有流程的模型，还是应该用来从根本上取代现有流程？

模型能够捕捉开发流程的各个方面，但创建、验证和维护这些模型的成本一直制约着探索性数据分析（EDA）流程的发展。随着人工智能的普及，这种情况可能会发生改变，人工智能有望大幅降低成本，从而对工具和方法论产生重大影响。

模型能够捕捉关键信息，同时隐藏不必要的细节。它们是EDA流程的核心，许多模型已经标准化，从而实现了不同工具和供应商之间的可移植性。有些模型应用广泛，例如设计本身的RTL模型，或者构成测试平台的模型集合。而另一些模型可能仅用于流程中的某个特定任务或阶段，例如架构性能模型。

虽然有些人认为未来可以一步完成从规格制定到流片，但至少在近期内，这种可能性微乎其微。任何模型，包括规格制定本身，都无法包含设计的全部细节，也无法具备足够的执行性能来进行分析。因此，我们需要进行抽象、简化或估算。在许多情况下，细节会在设计过程中逐渐显现，而这些细节需要以某种形式反馈到之前的模型中，以便进行进一步的分析。

传统上，模型成本高昂，因为它们需要创建、维护和验证其准确性。如果对模型缺乏高度信心，就可能做出错误的决策，而错误的决策代价同样不菲。一些前景广阔的新流程最终却因创建必要模型的成本过高而被放弃。电子系统级抽象就是一个例子，它曾被寄予厚望，能够实现早期架构探索和性能分析。

如今，人们寄希望于人工智能能够力挽狂澜，因为它或许能够以极低的成本创建必要的模型。新的流程和工具可以迅速部署，以解决高度具体的问题，这些问题在某些情况下可能是特定客户或设计风格所独有的。

“硅工程中的许多流程，就像许多其他物理过程一样，都是试图近似计算极其复杂的物理过程，主要通过模拟和近似模型来实现，”Normal Computing 的产品工程负责人 Arvind Srinivasan 表示。“如果你观察人工智能的发展轨迹，尤其是强化学习在某些领域的应用，你会发现我们已经能够更好地模拟某些事物，这提供了一个更好的起点。行为模型是最终结果的近似值，因此你不必进行完全模拟。最终，你需要的是对该物理过程更精确或更优化的表示。”

一些公司正在考虑采用一系列不同详细程度的模型。“我们已经看到这种情况开始出现，” Synopsys的技术人员 Ramesh Narayanaswamy 表示。“例如，一家公司可能希望使用昂贵的模型进行规划。在实施阶段，他们可能会使用中等复杂程度的模型。而如果我只是进行数据分析，我可以使用速度更快、成本更低的模型。代理和子代理应该协调一致，选择合适的模型，而不是把预算浪费在最昂贵的模型上。”

抽象模型的执行速度通常比实际模型快一个数量级甚至更多。“除此之外，速度一直都不是那么重要，”是德科技EDA研发研究员Tom Demuer表示，“但一旦我们拥有更工业化的模型创建方式，这种情况就会改变。届时，我们就可以更好地平衡两者。你可以说，‘我想要一个更精确的模型，但要考虑一定的成本。’然后你就可以进行选择，但这确实需要你拥有一个非常完善的模型创建流程。”

这将使高度专业化的模型成为可能。“业界正朝着融入自身领域特定知识的方向发展，从而使模型在提供答案方面更加稳健，”西门子EDA产品负责人Sathishkumar Balasubramanian表示。“我们已经在非常具体的领域，非常专业的领域中看到了这种趋势。例如，后端是封闭的，数据不共享。客户正在努力改进这方面的技术，以便将其应用于他们自己的内部设计中。”

模型设计：

模型创建过程仍处于早期开发阶段。“一个问题是，正确的方法是训练一个代理模型，还是直接使用人工智能来引导真实系统，使其学习自身的内部表征，”Normal Computing 的机器学习负责人 Thomas Ahle 表示。“在天气预报中，他们不会先训练一个模型来模拟天气系统，然后再训练另一个模型来利用它进行预测。他们试图从头到尾地捕捉整个过程。你应该尝试从头到尾地训练模型，而不是先创建中间表征。”

新兴技术和模型的初步迹象出现在模拟混合信号领域。“混合信号技术是一种自上而下的行为模型流程，其应用曾遭遇诸多阻力，因为人们缺乏优秀的建模人员，”西门子EDA高级副总裁兼总经理Abhi Kolpekwar表示，“他们不知道如何编写高质量的模型。随着人工智能的出现，用户使用模型的门槛可能会降低。人们将更容易地将大量成本高昂的模拟仿真数据转换为数字模型或更高层次的抽象模型，从而加快仿真速度。”

目前尚不清楚是否应该允许人工智能在没有指导的情况下创建模型。“如果你有一个滤波器设计，我会首先查看其物理特性，看看我的模型——或者说建模技术——本身是否合理，”是德科技的德穆尔说道。“一个反例是，如果你简单地采用神经网络方法对滤波器进行建模。它看起来可能非常好，但你可能会超出被动性准则的限制。如果你运用电子学知识以及系统响应方式，这种情况就不会发生。这将是一个非常好的模型。因此，这些将作为评估标准，我会根据这些标准选择一类建模技术，然后在这一类技术中，你可以定义任意的精度衡量标准。这将需要在训练时间和实际使用时间之间进行权衡。”

传统模拟电路依赖于非常精确的仿真。“对于复杂的电路设计，完整的晶体管级或物理仿真，包括电磁或热仿真，可能需要数周甚至数月的时间，” ChipAgents工程主管 Mehir Arora 表示。“行为模型无需模拟每个内部细节，即可复现模块的输入输出行为，从而将运行时间从数周缩短到数小时甚至数分钟。顶层仿真会将多个模块组装在一起，如果没有行为模型，则必须对每个模块进行完整详细的仿真——这使得顶层仿真运行速度慢得不切实际。人工智能生成的行为模型可以快速替代经过验证的子模块。像锁相环 (PLL)、模数转换器 (ADC)、数模转换器 (DAC) 和低压差线性稳压器 (LDO) 这样的模拟/混合信号 (AMS) 模块，其行为建模难度众所周知。它们的行为是非线性的，对工艺敏感，并且依赖于上下文。人工智能代理可以权衡这些因素，生成高保真度的行为模型，从而为专家节省数小时的工作时间。”

这些优势可能非常显著。“我们正在努力加速模拟领域的仿真，”是德科技EDA高级总监Alexander Petr表示，“你经常会看到一些论文提到仿真速度提升100倍、1000倍。实际上，我们正在尝试利用人工智能技术，例如模型降阶代理，来替代一些耗时的仿真。或者，我们也可以采用传统方法，通过简化问题来实现。通过引入精度限制来加速仿真，然后再对问题进行优化。最终的仿真结果可以转化为更精细的验证。”

但创建这些模型并非没有成本。“人工智能模型需要预先训练，”德穆尔说。“你需要预先进行一些仿真来构建模型。这种模型最适用的情况是仿真时间有限，例如在设计阶段或优化阶段。你已经有了基准设计，现在想要对其进行优化，这时就可以使用人工智能生成的模型，而无需进行完整的仿真。这样可以加快周转速度。”

如今，似乎一切都在向模拟方向发展。“随着设计朝着原子级复杂度迈进，现有的EDA工具链无法很好地完成原子级物理设计，”Normal公司的Srinivasan说道。“在原子层面，排列空间太大，你必须采用更接近概率的方法，因为你必须学习非常精确的物理近似值。”

类似的优化技术也被用于在数字设计的后端创建代理模型。“在基于强化学习的工具中，例如 DSO.ai 和 Cerebrus，模型通过在真实设计上运行数千次综合和实现试验来学习，从而积累哪些工具配置能够产生更好的 PPA 结果的知识，”南安普顿大学人工智能和 EDA 研究员 Simon Davidmann 表示。“模型训练的起点是设计流程本身：工具通过执行它正在学习优化的 EDA 工具来生成自己的训练数据。这赋予了基于强化学习的系统结构性优势，因为随着通过该工具进行的设计量的增长，积累的模型知识也会增长。拥有庞大客户群的供应商拥有新进入者难以复制的累积数据优势，而且其用户群中的每一次流片都会进一步增强模型。”

在数字领域，人们希望人工智能能够在无需详细了解硬件的情况下，将设计从规范转化为实现。“功能正确性和实现正确性并非同一概念，”Davidmann 继续说道，“功能正确的 RTL 代码，如果编写时没有考虑时序收敛、复位策略或时钟域控制，即使仿真通过，后端流程中的时序仍然无法收敛。仿真正确但时序收敛频率只有目标频率 60% 的 RTL 代码并非起点，而是需要重写。目前的 LLM（逻辑层级模型）大多只能保证功能正确性，而缺乏对物理场感知的编码规范，这在现有的训练数据中普遍存在。”

训练数据存在大量漏洞。“对于DRAM验证而言，诸如时序违例、协议边界情况和条件交互等关键故障模式，在典型的仿真轨迹中往往被系统性地低估，因为大部分仿真时间都花费在了正常场景上，”Normal Computing的产品经理Hanna Yip说道。“基于这些数据训练的模型，在常见情况下会表现得非常准确，但在真正会导致芯片重转的故障情况下却会悄无声息地出错。数据采样策略与拟合方法同样重要，并且需要领域知识才能正确运用。”

此外，规范编写并不精确，这会造成歧义。“你用来构建模型的规范可能包含定义不明确或容易产生歧义的条款，”Yip说道。“基于某一家供应商的解释进行模拟训练的行为模型会自信地传播该解释，但这对于另一家供应商的芯片来说可能并不适用。更多的训练数据也无法解决这个问题。这需要模型构建者识别出歧义，并明确选择如何处理它们。”

验证模型

人工智能有望产生重大影响的另一个领域是验证流程。“人工智能展现出一定潜力的一个领域是创建模型，用于描述验证计划。这些模型源自规范或场景描述，而这一切都离不开人工智能，”Breker Verification Systems 首席执行官 Dave Kelf 表示。“这些模型可以用抽象语言实现，然后输入到综合流程中以创建实际的验证测试。通过使用抽象模型，人工智能流程被分解成易于管理的阶段，同时还能利用现有的 EDA 技术来融入在这些下一代流程中至关重要的‘经验知识’。”

人工智能对验证还有其他影响。“人们开始利用人工智能创建测试平台，生成断言，”西门子的巴拉苏布拉马尼安说。“他们真正开始深入到设计意图和设计验证的环节。”

可移植激励语言 (PSS) 被定义为一种以抽象方式表示验证问题的模型。“为了获得这些优势，你必须学习一门新的语言，”Moores Lab AI 的创始人兼首席执行官 Shelly Henry 说。“现在人工智能可以做到这一点。你只需使用人工智能创建 PSS，然后在顶层将它们拼接起来，并使用其他工具来实现测试用例。我们消除了学习新语言的障碍，用户可以非常快速地获得最终结果。”

但人工智能真的能缩小验证差距吗？“人工智能生成的设计内容要实现生产部署，不可或缺的条件就是循环验证，”Davidmann说道。“没有确定性验证步骤的人工智能生成并非生产流程，而只是一个研究原型。所有人工智能生成的产物，无论是RTL模块、UVM测试平台、SVA还是覆盖率模型，都必须在进入设计数据库之前经过确定性检查——例如使用仿真器、FPV引擎、代码检查工具或三者的组合。”

成本：

无论模型是由人创建还是由人工智能创建，都需要维护。其中一部分工作是了解模型何时过时并需要更新。“基于去年流程数据训练的模型，随着PDK的更新，其相关性会逐渐降低，”Davidmann说道。“目前供应商的文档中并未提及重新训练的成本、训练计划以及使用先前模型版本构建的设计的状态。评估人工智能工具采用情况的团队应明确考虑这部分成本，因为这是一项持续的工程义务，而非一次性采购。领域自适应模型在硬件任务方面能带来显著更佳的结果，但训练需要在GPU集群上运行，数据整理需要耗费工程时间，而且模型更新的成本也相当可观，只有在设计量达到一定规模后，这种投入才具有商业意义。”

在许多情况下，人工智能无法独立创建模型。“构建模型不仅耗时（包括仿真时间），也耗费工程时间，”是德科技的德穆尔说道。“如果你使用像神经网络这样近乎盲目的技术，通常需要大量数据。这样一来，你实际上是用工程时间换取了仿真时间。你是希望建模工程师花一周时间思考最佳建模架构，还是乐于说：‘我不想花那么多时间，我直接用神经网络进行10万次仿真，强行推算。’我确信，如果你采用更传统的工程方法，或许只需进行5000次仿真就能解决问题。但这样一来，你就需要花费工程或建模团队一周的时间来思考这个问题。你想进行多少仿真？你想投入多少建模工作？然后，你又会如何利用这些成果呢？”

但从根本上来说，为优化循环创建模型是否就是错误的方法呢？“没有任何数学或物理定律表明你总能将一个系统简化为一组简单的参数，”Normal公司的Ahle说道。“你会预期，对于一个通用系统，除了完整描述之外，不可能用更简洁的方式进行描述。目前，业界正在争论代理模型和模型控制是否是正确的方向，或者是否应该尝试构建一个足够好的黑盒模型来理解整个系统。在模拟电路设计领域，端到端训练或许才是解决方案。这真是一个惨痛的教训。”

我们不仅要考虑时间和计算成本，还要考虑碳足迹。“对于一个正面临降低产品能耗压力的行业来说，人工智能辅助设计的碳足迹问题却鲜少得到系统性的关注，”Davidmann说道。“一个重要的考量因素是，人工智能辅助设计的能源成本是否能被芯片效率的提升所抵消。如果人工智能优化设计在实际应用中能显著降低能耗，那么即使考虑到训练成本，在已部署设备的整个生命周期内，人工智能辅助设计流程的净能耗也可能更具优势。然而，目前尚未进行过严格的计算，在行业能够做出明智的评估之前，还需要对能源等式的两端进行量化，这方面还有很多工作要做。”