EDA 工具迎来机器学习时代-eda现状

Ramine Roane

赛灵思软件与 AI 产品管理副总裁

赛灵思近来在 EDA 领域取得的重大发展，将对 FPGA 设计生产力产生切实影响。

EDA 面临重重挑战

长期以来，EDA 面临着各种挑战：器件数量越来越多、设计越来越复杂。尽管摩尔定律逐步放缓，但在过去 20 多年间，FPGA 晶体管数量呈现的指数级增长丝毫未减。

赛灵思利用堆叠硅片互联等技术，在异构集成方面取得了领先地位，同时还增加了 ARM 处理器子系统、AI 引擎或众多连接块，如 NOC 连接块和其它硬件块，并以此取得了骄人成绩。然而，鱼与熊掌不能兼得。性能上带来了巨大优势，而设计简化性、编译时间和结果质量（ QoR ）往往需要做出妥协。

这也就导致了设计方法的多种多样，其丰富程度甚至超越了宇宙中原子的数量。换句话说，玩 EDA 比下围棋难得多。更糟糕的是，优化算法本身为多项式，会随设计大小呈指数级浮动。因此，通常在 EDA 中面临的取舍是，在编译时间和 QoR 之间进行抉择。

机器学习带来新曙光

AI 正推动编译速度与质量进入新阶段

众所周知，围棋、自主驾驶、RNA 翻译转化、蛋白质折叠等难题，现在都能通过机器学习求解。所谓机器学习，就是在大数据中寻找模式。在处理 PB 级数据时，机器学习显然比人类做得更好。

赛灵思和 EDA 公司都拥有着数十年的数据，目前也都在借助 AI 充分利用这些数据。然而在 EDA 公司中，采用机器学习的一项重要挑战是缺乏在特定领域更专业的技术积累。过去几年中，赛灵思大量投资于机器学习领域，不断获取 AI 技术与人才。

现在，赛灵思及整个学术界在 EDA 领域完成了大量 AI 学术研究，涵盖了 AI 技术在综合、平面规划、布置路由、静态时序分析等领域的应用。研究显示，与传统 EDA 算法相比，QoR 比最初提高了 10%。机器学习不仅有助于提高 QoR，还能缩短编译时间，并根据设计模式预测和加快设计收敛策略。

为了缩短编译时间，赛灵思在团队设计方面加倍投入。

今年，新引入的特性可实现从系统设计到实现再到部署的层级设计。

在系统层面强化了 IP Integrator，使团队能够构建层级子系统。

在实现方面，新加入的特性支持真正与环境无关的编译和时序收敛。

系统其余部分运行时，部署以毫秒为单位一次性释放流程，以交换加速功能。

与环境无关的编译可显著加速时序收敛，因为每个团队只需完成其子系统的收敛，就能确保全面的设计聚合。

11 月 30 日 13:30，在 Xilinx Adapt – 中国站线上技术大会特别设立的开发者专场中，赛灵思资深软件工具专家高亚军（ Lauren Gao ），将现场详解本文所提到的所有新功能及设计方法。点击下方图片即可预约报名。

Vivado ML

以最前沿机器学习优化加速设计

今年 6 月，赛灵思发布了 Vivado® ML 版。它是业界首个基于机器学习优化算法，以及先进的、面向团队协作的设计流程打造的 FPGA EDA 工具套件，借助基于机器学习的算法将 QoR 平均提升了 10%，并以模块化设计将编译时间平均缩短了 5 倍。

在 Vivado ML 中，赛灵思引入了 Abstract Shell （抽象外壳）概念，允许用户在系统内定义多个模块，以增量和并行方式进行编译。这种方法较之传统的全系统编译，能将平均编译时间加快 5 倍，最多高达 17 倍。

此外，Vivado ML 还改善了与 Vivado IP Integrator 之间协作设计，使模块化设计可以利用全新“模块设计容器（ Block Design Container ）”功能实现。而动态功能交换（ DFX ）等赛灵思独特的自适应特性，则可在运行时动态远程加载定制硬件加速器，让芯片资源得到更有效的利用。

11月30日-12月7日，Xilinx Adapt – 中国站将迎来“开发者系列”专场活动，11月30日 Vivado 专场日程安排如下：

点击下方图片锁定座位吧！