EDA的全称是电子设计自动化（Electronic Design Automation），但其现在只能算是一种半自动化的工具，大量的工作还需要人工来操作。只有当AI技术开始融入之后，EDA工具才开始真正走向了自动化之路。

有报道指出，三星近期正与新思科技合作，将AI技术融入到芯片的设计中。据三星电子执行总裁Jaehong Park表示，通过AI技术找到了一个系统化的最优解决方案，超越了此前可以达到的芯片PPA（功率、性能和面积）效果。

将AI用于芯片设计已经不是头一回了，谷歌就已将AI用在了TPU芯片的设计中，英伟达也正在用AI算法来优化5nm和3nm芯片的设计，还有越来越多的芯片公司也将步其后尘。从下图就可以看出，AI的应用已经深入整个IC产业链。

最为积极的还是EDA公司，毕竟AI将是改写行业发展进程的大事件。近两年来，采用AI技术的EDA方案更是层出不穷。比如，新思科技推出了DSO.ai，探索搜索空间、观察设计随时间的演变情况,同时调整设计选择、技术参数和工作流程。Cadence发布了Cerebrus，采用了类似用合成技术取代原理图人工绘制的方法，打破芯片设计必须依靠人力的局限。西门子EDA（Mentor）则在OPC矫正中引入了机器学习方法，大幅提升了输出预测精度并缩短了预测时间。

数据快速提取模型、布局和布线、电路仿真模型、PPA的优化决策都是EDA运用AI的方向。其中，芯片设计后端(或称物理实现)尤其是布局布线则是AI使用的密集区域。

在这些文章中，我看到计算智能 EDA 工具实际上可以在无需人工干预的情况下从网表变为物理布局的说法。由于模拟设计中的变量数量非常多，其中许多都严格依赖于工艺和拓扑结构，这真的可行吗？我可以看到，通过足够的培训，一个专注于常见/常用 IP 的给定流行流程，这样的 ML 算法可以有效地复制设计流程并执行必要的调整以使模拟电路工作，只要努力将变量的数量。但此时，这不只是一个参数模拟吗？

从这些文章所揭示的少量技术细节来看，假设是为了保护一些 EDA IP，在设计空间的功能模型上执行此工作的 ML 算法使用基于要设计的电路的功能行为的模型。这听起来很像基本的控制系统工程。此模型必须由某人构建，例如模拟设计工程师。此外，为了训练这个 ML 算法，需要有一个可用的数据集。

因此，需要事先观察和记录从网表到物理布局的类似设计，以便将它们用于训练 ML 算法以达到合理的精度。这个过程也声称有助于拓扑选择。鉴于拓扑和系统的多样性，我很好奇这实际上是如何工作的。不需要一个广泛的拓扑库吗？这个拓扑库是如何开发和描述的，以便 ML 算法可以向设计人员推荐它？

我最后的想法与所有这些训练数据的来源有关。假设这个 ML 算法必须使用来自类似设计或系统的数据进行训练，那么这些算法的数据集不会以某种方式共享 IP 吗？如果 EDA 工具的 ML 系统接受了竞争对手的设计训练，并且 ML 算法建议的拓扑和解决方案与他们的 IP 非常相似，该怎么办？在这些情况下如何避免知识产权侵权？此外，这难道不只适用于非常常见的流程，其中有足够大的设计集和足够丰富的设计数据来构建这样的模型吗？

最后，有不少模拟设计公司为特定工艺设计模拟电路并销售 IP。像这样的工具会有效地“窃取”这些设计师的成果，并将他们的特殊调味料提供给使用合同设计师汗水开发的 ML 算法的其他人吗？