Siemens EDA：AI正重塑IC设计验证挑战、激励创新解方

Siemens EDA数码验证技术部门验证IP产品研发资深总监Chilai Huang。西门子EDA

各行各业都在积极运用人工智能/机器学习（AI/ML）技术来提高生产力，半导体IC设计也不例外。在2024年度IC设计与验证技术研讨会DVCon Taiwan 2024上，Siemens EDA数码验证技术部门验证IP产品研发资深总监Chilai Huang以「Empowering Innovation in Logic Verification: Harnessing Collective Wisdom Across Tools, Processes, and People」为题，与现场听众共同探讨AI如何重塑半导体设计验证挑战，并分享Siemens EDA针对目前相关技术趋势发展的洞察，以及可提出的因应对策。

AI时代的IC设计与验证挑战

Chilai投入IC设计验证专业领域有超过25年的经验，他于1998年创办Avery Design Systems，提供验证IP以加速复杂SoC开发流程；2022年Siemens EDA宣布收购Avery，目标是结合双方专长为IC验证工程师提供更全面的解决方案。

「AI本身并非目的，而是为现实世界挑战实现革新解决方案的手段。」Chilai表示，AI无论是在为各行各业简化业务流程、提升医疗照护诊断品质或强化使用者体验等方面，都是强大的工具，主要目标是解决复杂问题并推动有意义的进步，因此重点应始终放在对于根本问题的理解以及如何解决问题上，并将AI视为能以高效率、创新方法实现各种目标的策略推动力量。

根据市场研究机构IBS估计，2023年AI相关解决方案占据全球半导体市场的21%，该比例估计2030年将成长到73%，年复合成长率（CAGR）达33%；此趋势显示AI不仅已经成为半导体市场的成长动力，而持续暴增的大数据正在驱动全世界的数码转型，对运算、联网、通讯、安全与终端应用影响深远，也为半导体元件开发流程带来全新挑战。

Chilai进一步解释，首先要注意的就是边缘运算大趋势，为了将大量数据传输至云端处理可能产生的延迟最小化，预计将有75%的AI运算任务会移动到边缘装置；这为IC设计验证带来的挑战，包括更复杂的异质架构整合与互连协议、实时约束、功耗与安全性考量，还有需要覆盖足够的多元化使用情境，以及因应软硬件共同验证需求。

其次是「超连线」趋势，估计到2030年全球将有440亿台联网装置；为满足人口高密度区域的低延迟、高速及大容量需求，相关元件的设计除了诉求通讯功能性、高效率电源管理，能防止潜在网络攻击的安全性、确保持续联网的扩充弹性，以及遭遇故障时的复原韧性也相当重要。此外，AI所需的大规模运算，对半导体元件的成本效益、效能、可扩展性与可靠度也都有特别需求。

以阵容坚强的验证IP因应挑战

为因应以上挑战，Siemens EDA可提供的关键解决方案是一系列阵容坚强的验证IP，包括由Avery所开发的产品；Chilai表示，自2002年以来，他与Avery团队致力让VIP成为大多数SoC设计不可或缺、能有效加速逻辑验证流程的解决方案。

在Siemens EDA的VIP解决方案中还有另一个重要成分，即合规测试套件。以PCIe规格为例，传统上IC设计验证团队若要编写能完整涵盖所有规格功能的测试案例，会是相当庞大的工程；一般VIP仅涵盖约20%的规格范围，主要是标准签核测试案例，Siemens EDA的CTS提供了几乎完整规范的涵盖，并让测试具有自我检查的功能，来自客户的回馈显示，这不仅能大幅加速设计流程，还能在设计中发现其他工具未能发现的错误。

着眼于IC设计业者正在运用Chiplet与3D IC技术突破摩尔定律极限，以因应AI时代对半导体元件性能、功耗与面积的更高要求，Siemens EDA也能针对在其中扮演关键角色的Chiplet互连协议规格UCIe提供验证IP，并可支持最新的2.0版标准。

而因为软件在芯片设计中的重要性日益显着，Siemens EDA的验证IP团队不仅关注传统的RTL验证，还正从序列验证转向软件验证，以加速软/硬件签核；这是透过提供虚拟电路模拟Virtual In-Circuit Simulation （VICS）方案来实现。Huang解释，这是一种类似电路硬件模拟器（ICE），但是利用VIP、模拟软件以及QEMU模型实现的方案，让验证团队能在设计上运行真正的软件激发（stimulus）或合规/性能测试套件，不仅是UVM序列；韧体团队也能在硬件设计仍在验证的阶段就开始他们的工作。

AI/ML与EDA工具的结合

Siemens EDA正在与多家合作夥伴和客户合作，以透过真实的客户数据来证实ML模型，也已经有智能验证产品的早期使用者体验到生产力提升效果。而Huang总结指出，尽管现有验证方法确实有升级的必要，以因应愈来愈艰钜的半导体芯片设计挑战，目前生成式AI等技术也在某些应用领域展现威力，但要将大语言模型导入EDA工具程序码开发与除错等任务，还需要加强学习相关专业知识，运用跨工具平台、跨流程与工程师们的集体智能，才能有更令人满意的表现，而这也是Siemens EDA正在努力的方向。

如欲了解更多，欢迎下载Improving verification predictability and efficiency using big data白皮书。