Elias Fallon是来自行业领先的电子设计自动化技术公司Cadence Design Systems的工程主管。他负责带领定制IC研发团队以及电子设计自动化(EDA)产品团队进行各类项目的开发。
作为在计算软件领域应用机器学习和深度学习技术的EDA研究项目负责人，Elias Fallon对电子设计行业的未来发展有着独到的见解。
他强调，半导体芯片及其周边系统设计的下一个重大突破将源于EDA计算软件工具流程的整合，以及更大规模机器学习/深度学习技术和多核计算的运用。当前的人工智能和机器学习创新潮流得益于GPU计算能力的提升，以及设计工程师提出的加速深度神经网络训练的方法。机器学习和深度学习将在下一代平台的设计中扮演核心角色，促进新兴技术的广泛应用。
对Fallon而言，解决设计与验证过程中存在的非确定性多项式(NP)难题和完整性问题是他工作的乐趣所在。他与团队共同开发了帮助设计工程师进行集成电路、封装、电路板和系统设计、仿真及验证的软件。面对的设计挑战复杂而棘手，往往难以在短时间内找到最佳解决方案。定义中的验证挑战往往是前所未见的问题。Fallon及其团队开发了各种复杂算法和软件，以提供最佳解决方案，这些创新显著提升了客户的设计生产力。
计算软件如数值求解器、布尔可满足性求解器、自适应网格划分、计算几何及迭代改进优化算法等，都是该领域的典型实例。EDA软件工程师需研究如何将这些算法最佳化应用于当前的设计挑战，并以设计术语向用户展示各种元参数、控件和命令。下一代设计的趋势是系统设计与验证的复杂性增加，这需要在EDA工具箱中增加新的计算软件“工具”，以实现设计生产力的飞跃。
在过去的六个月中，远程工作的人员受益于云计算、芯片优化和互联网的进步。在电子行业形成了良性反馈循环，计算软件为电子设计提供了支持，而设计团队则从未来的创新中获益。5G、超大规模计算等技术驱动力要求在芯片、封装、电路板和系统设计中进行大量创新，以实现电子技术的未来发展。通过示例学习的机器学习功能成为一种新的计算软件工具，为设计师的下一轮创新奠定了基础。
计算软件在提升生产力和解决电子系统设计复杂性挑战方面取得了显著进展。当Cadence的解决方案应对上一代挑战时，下一代设计的复杂性却在不断增加。系统复杂性的增加也在提升设计和验证流程的复杂性。这种复杂性使得流程很难适应新的最佳实践或自动化。复杂流程中的每个工具或步骤都需要用户理解、评估并检查其在整体流程中的适应性，才能被采纳。具备部署机器学习的能力，可以通过示例学习设计实践，允许EDA软件工程师开发系统，将机器学习设计实践转化为新工具流程中的选项，加速创新设计流程的采纳。
举例来说，模拟电路设计人员会基于过往经验了解在电路设计和布局中需要匹配的器件，但要在设计流程中引入自动化技术，则需增加额外的约束和规范。机器学习模型能够从已完成的设计中学习设计师的最佳实践，并为每个设计师或设计团队以定制化的方式加速整个设计流程。创新的系统设计公司通常不会与他人分享设计或训练出来的机器学习模型，因此学习机器学习的设计实践的训练必须在用户本地进行。机器学习将成为EDA计算软件工具箱中的重要工具。
除了通过示例学习设计实践外，EDA中机器学习的常见应用场景是预测未来的流程步骤。当所有这些非确定性多项式(NP)问题聚集在一起时，完全预测当前流程步骤结果的影响变得困难。最常见的例子是在优化布局时对可路由性的理解。布局通常决定每个组件的位置，并以最小化面积/成本和导线长度为目标。路由则为每个组件之间的信号建立连接，这些组件可能是PCB上的部件，也可能是芯片上的模块或晶体管。多年来，EDA工程师开发了多种启发式方法，在优化电路布局的过程中改善导线长度和布线能力。然而，由于布线和放置是一个非确定性多项式(NP)难题，因此计算每个选项在当前情况下是不可行的，现有的启发式方法可能会遗漏许多可路由性的细微之处。
通过采用机器学习模型，将布局作为输入，以路由性得分作为输出，可以潜在地创造出更丰富、更快速的解决方案。EDA工具流可以生成多个候选布局，对每个候选布局进行路由，并以路由得分作为标记来训练机器学习模型。同样，通过运行复杂的EDA流生成众多设计候选和结果的任何流程，都可以构建模型，以预测来自先前步骤输入的未来步骤的结果。这为在复杂设计空间中找到更优解决方案提供了更大的能力。
EDA提供了关键的计算软件，能够设计和验证复杂的智能系统。当前的新一代技术驱动将带来许多新的创新设计。为了激发系统设计师的创造力，EDA工具将把机器学习作为一项关键功能，以提升生产力。这将使得设计流程能够找到更好的解决方案，并允许设计流程针对设计人员和设计团队进行自动化定制。因此，机器学习技术将是未来系统设计和平台创建的重要组成部分。
