模型是電子設計自動化（EDA）流程的核心組成部分，在捕獲必要設計細節的同時，還需保持良好的執行性能。長期以來，模型的創建、維護與驗證成本高昂，限制了其廣泛應用。隨著AI技術的快速發展，這一局面或許將迎來根本性改變。
模型的價值與挑戰
模型的作用在於提煉關鍵資訊，同時隱藏不必要的細節。它們是EDA流程的核心，許多模型已實現標準化，以便在不同工具和供應商之間實現可移植性。有些模型應用極為廣泛，例如設計本身的RTL模型，或構成測試平台的一系列模型；而另一些模型則僅用於流程中某一特定階段的單一任務，例如架構性能模型。
儘管有人認為未來有可能從規格說明直接跳到流片環節，但至少在近期內，這種可能性極為渺茫。沒有任何模型（包括規格說明本身）能夠包含設計的所有細節，同時還具備足夠的執行性能以供分析。因此，抽象化、簡化或估算是不可或缺的手段。在很多情況下，細節會在設計過程中不斷湧現，需要以某種形式反饋至早期模型進行進一步分析。
傳統上，模型成本高昂，原因在於需要創建、維護，並驗證其準確性。一旦對模型缺乏足夠的信心，就可能做出錯誤決策，帶來高昂代價。歷史上曾有一些頗具潛力的新流程因創建所需模型的成本過高而被迫放棄，電子系統級抽象便是典型案例——它曾承諾支持早期架構探索與性能分析，最終卻未能落地。
AI有望大幅降低模型創建成本
如今，業界寄望於AI能夠以極低的成本創建所需模型。新的流程與工具得以快速部署，用於解決高度具體的問題，在某些情況下，這些問題甚至是某個特定客戶或設計風格所獨有的。
Normal Computing產品工程負責人Arvind Srinivasan表示："與許多其他物理過程一樣，矽工程中的大量工作都是在嘗試近似計算極其複雜的物理過程，主要依賴仿真和近似模型。縱觀AI的發展軌跡，尤其是強化學習在這些領域的應用，我們已經能夠獲得對某些事物更優質的學習仿真，從而提供更好的起點。行為模型是對某種最終結果的代理，因此無需進行完整仿真。最終目標是獲得對該物理過程更精確或更優化的表達。"
一些公司正在考慮構建一套涵蓋不同細節層次的模型體系。Synopsys技術人員Ramesh Narayanaswamy表示："我們已經看到這種趨勢開始顯現。例如，一家公司可能希望將成本較高的模型用於規劃階段，將中等模型用於實施階段，而在進行數據分析時，則可以使用速度更快、成本更低的模型。智能體和子智能體應協同工作，選擇合適的模型，而不是將預算全部消耗在最昂貴的模型上。"
Keysight EDA研發研究員Tom Demuer指出："抽象模型的執行速度通常可以快一個數量級甚至更多。一旦我們擁有了更具產業化的模型創建方式，速度與精度之間的平衡就變得更加靈活。到時候，你可以說'我想要一個更精確的模型，但要控制在一定成本範圍內'，然後靈活選擇，但前提是需要一套非常完善的模型創建流程。"
模擬混合信號領域率先探索
模擬混合信號領域成為新興技術與模型融合的最前沿。Siemens EDA高級副總裁兼總經理Abhi Kolpekwar表示："混合信號採用基於自上而下行為模型的流程，但由於缺乏優秀的建模人員，推廣面臨重重阻力。隨著AI的引入，模型的用戶准入門檻可能大幅降低，人們可以更輕鬆地將大量昂貴的模擬仿真轉化為數字仿真或更高層次的抽象模型，從而提升仿真速度。"
ChipAgents工程負責人Mehir Arora解釋道："完整的電晶體級或物理仿真（包括電磁或熱仿真）對於複雜設計可能需要數周乃至數月的時間。行為模型可以在不仿真每個內部細節的情況下，復現模組的輸入輸出行為，將運行時間從數周壓縮至數小時乃至數分鐘。AI生成的行為模型可作為經驗證子模組的快速替代品。鎖相環、模數轉換器、數模轉換器、低壓差線性穩壓器等模擬/混合信號模組以行為建模難度著稱，其行為具有非線性、工藝敏感性和環境依賴性。AI智能體能夠協調這些權衡，生成高保真行為模型，為專家節省大量工作時間。"
訓練數據缺口與驗證挑戰
在數字領域，業界期望AI能夠在無需深厚硬體知識的情況下，將設計從規格說明推進至實現階段。然而，南安普頓大學AI與EDA研究員Simon Davidmann指出："功能正確性與實現正確性並非同一屬性。RTL代碼在功能上正確，但如果編寫時未考慮時序收斂、復位策略或時鐘域規範，即便通過仿真，也可能在後端流程中無法完成時序收斂。目前大語言模型主要產生功能正確性，而具有物理意識的編碼規範在現有訓練數據中嚴重不足。"
Normal Computing產品經理Hanna Yip也指出了訓練數據方面的缺口："對於DRAM驗證而言，真正關注的失效模式——如時序違規、協議邊界情況和條件交互——在典型仿真軌跡中嚴重欠代表，因為大多數仿真時間都花在了正常場景上。基於此類數據訓練的模型，在常見情況下表現出色，卻會在真正導致重新流片的案例上悄然失誤。"
在驗證流程方面，Breker Verification Systems首席執行官Dave Kelf表示："AI在創建用於描述驗證計劃的模型方面展現出一定潛力。這些模型可以用抽象語言實現，再輸入綜合流程以生成實際驗證測試。通過使用抽象模型，AI流程被拆分為可管理的階段，同時藉助現有EDA技術融入新一代流程至關重要的'經驗知識'。"
Moores Lab AI創始人兼首席執行官Shelly Henry提到了便攜激勵標準（PSS）語言的應用："PSS本是以抽象方式表達驗證問題的模型，但用戶過去需要學習一門新語言。現在AI可以直接生成PSS，再將其在頂層拼接，並藉助其他工具實現測試用例，從而消除語言學習障礙，讓用戶快速獲得最終結果。"
Davidmann對此也強調："AI生成內容用於生產部署的不可談判前提是驗證必須納入流程。沒有確定性驗證步驟的AI生成內容只是研究原型，而非生產流程。無論是RTL模組、UVM測試平台、SVA還是覆蓋率模型，每一個AI生成的製品都必須在進入設計資料庫之前經過確定性檢查。"
模型的維護與碳足跡問題
無論模型由人工還是AI創建，都需要持續維護。Davidmann指出："基於去年工藝數據訓練的模型，隨著PDK的更新，其相關性會逐漸降低。重新訓練的成本、訓練周期以及使用舊版模型構建的設計狀態，在現有供應商文檔中均未得到充分說明。評估AI工具採用的團隊應明確核算這一成本，因為這是一項持續的工程義務，而非一次性採購。"
此外，AI輔助設計的碳足跡問題也不容忽視。Davidmann表示："對於一個正承受降低產品功耗壓力的行業而言，AI輔助設計的碳足跡問題尚未得到系統性關注。一個重要的考量是：AI輔助設計的能源成本，是否能被所生產晶片的效率提升所證明是合理的？如果AI優化的設計在實際使用中能顯著降低功耗，那麼在考慮訓練成本之後，整個生命周期內的淨能量平衡或許仍有利於AI輔助流程。然而，這一計算尚未得到嚴格驗證，仍有大量工作需要完成。"
編者註：本系列文章的第二部分將深入探討模型創建與驗證的具體細節，並分析這些模型的局限性。
Q&A
Q1：AI創建EDA模型的主要挑戰是什麼？
A：AI創建EDA模型面臨多重挑戰。首先是訓練數據缺口，關鍵的失效模式（如時序違規、協議邊界情況）在仿真數據中嚴重欠代表，導致模型在罕見但重要的場景下容易出錯。其次是規格說明的模糊性，規格中存在未明確或可多重解讀的條款，AI訓練出的模型可能固化某種錯誤解讀。此外，模型還需持續維護，隨著工藝設計套件（PDK）更新，舊模型的相關性會逐漸降低，重新訓練需要持續的工程投入。
Q2：AI在模擬混合信號建模中能帶來哪些具體收益？
A：在模擬混合信號領域，AI的引入可以將複雜設計的仿真時間從數周壓縮至數小時甚至數分鐘。對於鎖相環、模數轉換器、數模轉換器等難以行為建模的模組，AI智能體能夠協調非線性、工藝敏感性等複雜權衡，生成高保真行為模型。同時，AI還能顯著降低建模的用戶門檻，使工程師無需深厚的建模專業知識，也能將昂貴的模擬仿真轉化為更高層次的抽象模型，大幅提升仿真效率。
Q3：AI生成的RTL代碼為什麼無法直接用於生產？
A：目前大語言模型生成的RTL代碼主要保證功能正確性，但缺乏對時序收斂、復位策略、時鐘域規範等物理實現要求的意識。一段功能上正確但未考慮時序的RTL代碼，可能通過仿真卻在後端流程中無法完成時序收斂——例如目標頻率只能達到60%，這意味著需要完全重寫，而非簡單修正。此外，具有物理意識的編碼規範在現有訓練數據中嚴重不足，這是當前大語言模型在硬體設計領域的核心局限。
