人工智能 (Artificial Intelligence, AI) 正在改变我们周围的世界，为全球经济的各个领域开启了创新之路。如今，AI 可以通过自然语言与人类交互，识别银行欺诈和保护计算机网络，在城市街道中驾驶汽车，玩如象棋类的复杂游戏。当解决方案过于昂贵或难以实现时，机器学习为我们面临的诸多复杂问题提供解决方案。机器学习对芯片设计有何影响？机器学习能否为半导体工程设计中的关键问题提供解决方案？
多年以来，电子设计自动化 (Electronic Design Automation, EDA) 行业已为复杂系统的建模和设计创建提供了许多解决方案。EDA 中的大部分设计问题都属于 NP-hard 问题，由于不存在解决这些问题的多项式时间算法，因此无法通过分析确定最优解决方案。目前，新设计挑战层出不穷，导致 EDA 系统愈发难以满足高级流程节点的要求（图 1）更糟糕的是，这些要求互相依存，需要在多个设计优化层面上同时加以考虑。实际应用和使用的技术高度依赖各个特定问题空间。那么如何在设计环境访问受限时针对特定问题制定总体解决方案？
机器学习 (ML) 提供了启用自优化设计工具的机会。与通过观察实际互动情况改进对不同（本地）行驶条件响应的自动驾驶汽车相类似，AI 增强型工具能够在部署后的（本地）设计环境中学习和改进。这些新功能可嵌入不同的设计引擎，为 EDA 开发人员提供一系列全新的解决方案，帮助开发人员适应当下要求严苛的半导体设计环境。
示例：优化期间的快速延迟预测
高级节点的复杂物理效应和制造规则可对设计收敛性产生影响。有各种适用于信号完整性、波形传播、噪声等对象的建模功能可准确计算延迟。但这些功能在计算方面非常昂贵，需要在预布线设计阶段谨慎使用。ML 延迟预测器是一个统计模型，经训练后可在多个设计发展阶段捕获时间，让上游引擎能够更快速地了解复杂的下游效应，做出更优决策。延迟预测器可改善设计收敛性并加快设计向更优秀的 PPA 方向发展（图 2）。
AI增强型平台下一步会如何发展？请看全文：https://www.synopsys.com/blogs/smart-everything/zh-cn/2020/09/machine-learning-in-chip-design/