PRO会员通讯
幸好，转机出现了。
在Joseph Sawicki看来，AI最根本的还是依赖大数据，拥有足够的数据以后才可以有预测性，才可以非常可靠的去培训机器，让机器能够有效学习。对于收集到的大量数据，还要进行分析，然后采取行动。
AI给半导体行业带来了什么？
在这样庞大的数据的冲击下，AI发展其实存在各种矛盾。一方面是巨大的数据量让很多人想不断强化数据中心的能力，所以很多公司现在正在开发人工智能相关的引擎，使用这个引擎对海量数据进行培训、训练。另一方面，有一些公司为自己树立的目标是把越来越多的处理能力推向云的边缘，这样可以释放数据中心发展的一些压力。
两个方向相互矛盾却也合理，在Joseph Sawicki的想法中，边缘计算方面的芯片似乎可以发展更快。他举了一个小型的风力发电厂的例子，一般可以应用人工智能对风厂或者是风机进行预防性维护。对海上风厂来说，它所面临的运营环境是非常严苛的，进行维护所牵涉到的成本非常高昂，因此边缘计算带来的优势就非常明显。通过在风厂就地进行一些预防性的分析，然后把这些分析结果再推送到数据中心，其中维护的成本能节省64%。Mentor在客户的需求中捕捉到机遇，通过开发特定应用相关的芯片，就更容易抓住人工智能这个市场发展所能够带来的潜在的价值。
再说到芯片设计方面，Joseph Sawicki提到，有很多的领域的特定应用需要最优化的芯片设计。因此，设计就起到至关重要的作用。AI能够带来什么？一般说来，在设计SoC的时候，SoC的设计都是由特定的规格所驱动的，比如核芯数和处理能力是多少等等，而现在在边缘计算的AI当中，芯片的设计往往是由特定的架构开发要求所界定的。因此现在的AI开发平台和以前的开发环境是完全不一样的。比如HLS（高阶综合）是个有20年历史的技术，之前采用的手段一直都非常有限，大多数用于Data Path（数据通路）的实施和执行。但这个技术来到AI时代就变得至关重要，它与整个AI平台执行、实施相关，自上而下。要在整个算法开发环境当中去设定整个系统的性能、大小、内存配置等等。据业界领导者英伟达发表的一篇文章指出，通过使用这个工具，可以把生产效率提高近两倍，验证成本下降80%。
AI为EDA行业带来了什么？
AI、机器学习在对半导体行业带来变化的同时也将为EDA行业带来变化。Joseph Sawicki进一步介绍道，首先是Calibre，它在物理验证方面是业界的领导者，它可以用于DFM（为制造而进行设计）的应用，设计师用这个软件就可以确定他们的设计可以最终被执行，被生产。同时晶圆工厂也可以使用这个软件帮助他们制造出最优化性能的芯片。形状识别功能就可以通过这些软件和相关的人工智能功能来进行验证。比如芯片上有很多不同的形状，通过这样一个功能识别、形状识别，就可以基于大数据去分析出一些趋势，然后再基于这个洞察去更好的处理那些没有被训练过的数据。
再来说到OPC技术，它可以应用于半导体生产，客户在它的设计当中可以很好地去控制产量。它非常复杂，在7nm基础之上，需要4000个CPU去运行一天才可以生产出1个Mask，如果使用机器学习算法，整个运行时间可以下降3-4倍之多，这样可以帮助客户节省很多成本。
还有“光刻友好”的设计技术，使用这个技术，就可以把良率的限制因素大大降低，基于机器学习可以大大降低真正生产的运行时间。这是一个基于影像的技术，它不仅可以识别出生产产品过程中有哪些缺陷，同时也可以预测这些缺陷，通过这样一个技术可以大大提升生产良率。
表征技术也非常重要，尤其是对于汽车行业这种对可靠性、安全性要求非常高的行业。传统一般使用蒙特卡罗的方法对整个可靠性、安全性进行分析，但从计算量的角度来说它牵涉到太多模拟，因此非常不实用。基于Mentor第二、三代的技术平台，再结合AI，就可以把表征的运行时间降低有100倍之多，像这样一个7Sigma的关键性分析，对于汽车行业是非常有价值的。
