意料之外的EDA_芯片|自动化|算法

文章图片

SEMI旗下ESD联盟发布最新电子设计市场数据（EDMD）报告， 2024年Q4 EDA行业收入同比增长11% ，达49亿美元。尽管中国市场表现疲软，但全球EDA行业仍保持稳健增长，部分细分领域（如PCB设计、封装设计）增长显著。
EDA呈现着意料之外的增长态势。
01全球EDA行业整体表现
EDA软件行业主要受技术驱动，具有较高的技术、人才储备、用户协同、资金规模等壁垒，市场集中度较高。长期以来，中国EDA市场由国际EDA企业Cadence、Synopsys、Siemens EDA三大巨头垄断，前三大企业占比超70% 。
是什么让EDA增长？
首先，对边缘计算和高性能计算(HPC) 芯片的需求不断增长，推动了对更复杂和自动化的 EDA 解决方案的需求。
云端解决方案的日益普及是另一个主要的增长动力，它实现了无缝协作，并提升了全球设计团队的可访问性。企业越来越多地将人工智能和机器学习算法集成到其工作流程中，以优化设计准确性和效率，减少代价高昂的错误并加快产品上市时间。
此外，特定领域电子产品设计的兴起，以及对物联网和人工智能应用节能芯片组的日益关注，预计将推动EDA解决方案的创新。半导体公司和EDA解决方案提供商加大研发投入，以及加强战略合作，将进一步扩大市场潜力。
按产品类别来看：

CAE（计算机辅助工程）：增长10.9% ，达16.969亿美元（四季度移动平均+12.3%）。
IC物理设计与验证：增长15.4% ，达7.979亿美元（移动平均+8.1%）。
PCB & MCM（印刷电路板 & 多芯片模块）：增长15.9% ，达4.762亿美元（移动平均+8.3%）。
半导体IP（SIP）：增长7.9% ，达17.607亿美元（但已报告公司IP收入下滑，未报告公司如Arm增长21%）。
服务收入：增长11% ，达1.956亿美元（移动平均+26.2%），反映设计需求旺盛但人才短缺。

按细分领域来看：

IC封装设计：增长70%（年收入8400万美元），部分因分类统计偏差，但仍体现先进封装需求激增。
分辨率增强技术：受中国厂商四重曝光（非EUV）需求推动，增长显著。
服务外包趋势：企业设计需求超出内部能力，推动外包服务增长11% 。

多家公司正在提供集成人工智能和机器学习等尖端技术的电子设计自动化解决方案，以减轻设计工程师的工作量。例如， 2021年7月，美国Cadence 设计系统公司推出了机器学习工具Cerebrus Intelligent Chip Explorer ，旨在实现芯片设计流程自动化，提高设计工程师的工作效率。此外， 2021年12月，美国Nexar(Altium Limited旗下公司)与美国SnapEDA合作，通过提供计算机辅助设计(CAD)模型和软件，提升印刷电路板(PCB)设计的性能，并帮助工程师更快地设计电子电路。因此，降低集成电路设计复杂性的需求推动了对EDA解决方案的需求，从而推动了该市场的增长。
02AI助力开启EDA新时代
EDA厂商现在运用AI技术来优化EDA软件引擎、流程和工作流。构建利用AI的高质量引擎对于实现可扩展、可靠的结果至关重要。 AI算法模型必须可验证、准确和稳健，以确保在整个企业使用时的安全性，并能始终给出一致、可持续的结果。
AI技术在西门子EDA解决方案中被应用于三个不同的重点领域：核心技术、流程优化和提供可扩展的开放平台。其用途主要围绕增强工程师能力，提高工程师的生产力以及捕捉设计团队内的知识。 AI可用于深入了解IC设计，帮助理解问题的根本原因，并避免未来可能出现的潜在问题。利用AI实现自动化以及验证AI结果的能力至关重要。可验证、可追溯和开放性是EDA应用对AI的核心需求。在AI赋能的西门子EDA解决方案中，可验证引擎是建立在准确性、稳健性、领域专业知识及可用性的基础上，继而确保在处理数据时， AI算法能够给出可预测、可重复且有价值的结果。在一些情况下，当验证无法自动化时，需要有一位具备专业知识的人参与，以对结果进行评估并确保其正确性。在市场上经过十多年的不断完善和成功，西门子EDA深谙扩展可信、可验证的AI平台的必备条件。

AI在EDA工具中的应用可以分为几个关键方面。首先是处理繁重的重复性任务。芯片设计过程中有许多需要反复验证和优化的环节，例如功耗模拟、热量分布分析以及逻辑验证等。传统方法往往需要工程师花费数周甚至数月的时间进行调整，而AI算法可以在短时间内完成这些任务，并且精度更高。例如， Synopsys推出的一系列AI驱动的EDA工具，能够快速完成从系统架构定义到设计实施、验证和制造的全流程任务。这不仅大幅缩短了设计周期，还减少了对工程师数量的需求。
其次， AI在芯片设计中展现了强大的优化能力。以谷歌的AlphaChip为例，这款基于强化学习的AI工具能够在芯片布局设计中实现“超人”级别的表现。通过对前几代芯片设计数据的学习， AlphaChip可以快速生成复杂的芯片布局方案，将传统设计师需要数周完成的工作压缩到几个小时内。更重要的是， AI生成的设计方案往往能够在性能、功耗和散热等方面达到更优的平衡。谷歌的张量处理单元（TPU）就是一个典型案例，其每一代产品的设计都得益于AI工具的优化。
此外，生成式人工智能（GenAI）也开始在EDA工具中崭露头角。与传统的AI技术不同， GenAI更像是一个智能助手，能够通过学习现有数据生成新的设计方案或提供设计建议。例如， Synopsys的GenAI技术可以快速浏览长达数百页的芯片设计规格文档，并提取出关键信息供设计师参考。这种能力不仅提高了设计效率，还降低了设计师在面对复杂项目时的认知负担。更有趣的是， GenAI还能协助代码优化和验证约束提取等任务，为设计师提供更具指导性的建议。
然而， AI驱动的EDA工具并非没有局限性。当前最大的挑战在于数据的可用性。每家芯片设计公司都拥有自己的专有知识产权和设计数据，而这些数据通常不会被共享。这意味着AI工具只能基于有限的数据进行训练，难以跨公司或跨领域实现通用化设计。此外， AI在芯片设计中的应用还处于早期阶段，完全依赖AI进行端到端设计的目标虽然令人兴奋，但距离实现仍有一定距离。

网友评论
03未来展望
随着半导体行业进入后摩尔时代， Chiplet技术的兴起正在深刻改变芯片设计和制造的范式。这种将大型单颗SoC拆解为多个小芯片再通过先进封装集成的技术路线，不仅延续了性能提升的路径，更对EDA工具链提出了全新的需求。
传统EDA工具主要面向单颗芯片的前后端设计流程，而Chiplet技术需要工具支持从架构探索阶段的芯片分解、互连拓扑设计，到封装级的信号完整性分析、热仿真等全流程协同优化。这促使EDA厂商必须重构其工具架构，开发支持异构集成设计的新平台。以Synopsys的3DIC Compiler和Cadence的Integrity 3D-IC平台为代表，行业已经出现专门针对Chiplet设计的工具套件，这些工具需要处理硅中介层布线、微凸点阵列优化、跨die时钟同步等全新挑战。值得注意的是，封装工具的市场规模正在从辅助角色转向关键路径， Yole预测先进封装EDA市场将在2025年突破5亿美元，年复合增长率显著高于传统EDA工具。
从技术演进角度看， EDA工具与IP的协同设计能力将成为竞争关键。 EDA厂商的IP业务仍严重依赖传统接口协议（如USB、PCIe）的版税收入，这些标准化IP正逐渐沦为红海市场。一个典型的案例是， RISC-V生态的崛起虽然扩大了处理器IP市场的整体规模，但主要受益者却是SiFive等新兴公司，而非传统EDA三巨头。这种分化趋势预示着，未来EDA厂商可能需要重新评估其IP战略，是将资源集中在特定高性能IP的深度开发，还是通过并购扩展IP组合的广度。
台积电的3DFabric联盟数据显示，采用Chiplet设计的客户平均需要整合来自8-12个不同供应商的IP模块，这对设计工具的统一接口和验证流程提出了极高要求。领先的EDA厂商已经开始构建\"设计-验证-封装\"的全集成平台，例如Cadence的Cerebrus智能芯片设计系统能够自动优化Chiplet的布局与互连方案。但挑战在于，随着Chiplet异构集成度的提升，设计空间呈指数级增长，传统仿真方法已无法满足需求。这解释了为何各大厂商都在加速布局AI驱动的设计工具， Synopsys的DSO.ai和Cadence的JedAI平台都在尝试用机器学习算法来解决Chiplet协同优化的复杂性问题。未来五年，能够提供从架构探索到物理实现完整解决方案的EDA平台，将在Chiplet时代获得更大的话语权。
【意料之外的EDA】想要获取半导体产业的前沿洞见、技术速递、趋势解析，关注我们！