首页/文章/ 详情

AI 助力优化电子设计

9小时前浏览46
本文经授权翻译转载于 EETimes.com    
作者:Ben Gu,Cadence 全球副总裁    
兼多物理场仿真事业部总经理    


     


当今设计流程正在保持极速演化并推动我们实现高度优化的 IC、PCB 和系统,实现全球化的创新。目前,通过在设计探索和验证过程中更早地应用分析,我们已经成功实现了复杂多物理场分析和多领域协同优化。然而,日益增加的设计复杂性,使得传统的分析方法 正接近瓶颈,转而通过机器学习(ML)和 AI 支持的流程将逐步登上未来发展的舞台。


这听起来似乎有点夸张,但如果应用得当,ML 技术将发挥非常强大的作用,而电子行业永远不缺的恰巧就是将设计数据“喂给机器学习。当然,关键在于我们需要发展出更成熟的方法,可以有效地将 ML 与数据相结合,从而实现最大化的效益。

具体到芯片设计流程,目前从设计到签核大致需要经过下述步骤:首先创建设计,之后通过仿真确定是否符合设计标准,如果不符合则进行调整并迭代。这套流程的确可以实打实地看到结果,然而却面临着如下挑战:

1

设计复杂性的不断增加。

2

多领域的协同优化。我们发现必须将 IC、电路板和系统作为一个整体来开发,才能真正实现优化,这又进一步增加了复杂性。

3

应用于单一设计领域的物理限制也越来越多地影响到其他领域。

这些挑战使得传统设计方法的短板开始显现,设计师们需要无休止地在探索流程和分析工具间来回切换以检测他们的设计。所有的这一切都让设计中的多问题协同优化寸步难行,例如热效应对 IR drop(直流压降)的影响或不同封装方式对信号完整性的影响。

为了解决这些问题,EDA 厂商正在努力打破“先设计再仿真”的传统方法,为设计师在流程更早期便提供设计分析能力——也就是通常所说的“分析左移”或更学术的说法“设计中分析”。这使得设计师能够进行更多的系统设计和协同优化,例如分析信号穿过 SerDes 通信通道时的完整性,这个过程包括信号从发射器 IC 芯片经过其封装,穿过 PCB,到达接收器 IC 的封装,最后进入接收器的芯片。

 

“分析左移”的方法让设计师能够更系统地去思考,强大的设计工具可以帮助设计师识别跨域约束的冲突,安全且及时地发现优化机会。现在的挑战是如何有效地探索这些扩展的设计空间,特别是习惯在单一领域(比如 IC 或 PCB)工作的设计师,他们更需要适应并学习多领域协同优化。

此时 ML 技术终于迎来大展身手的舞台。尤其是现在大火的生成式 AI 技术,它可以基于最初在多个候选设计的物理基础上训练模型,产生设计选项,例如 IC 中连接层的过孔。对候选参数进行仿真时,生成的数据将被反馈给模型,用于强化学习。模型会保持不断更新,并不断生成更好的候选设计,反过来推动模型的进一步演化。值得一提的是,Cadence 在 Optimality Intelligent System Explorer 工具中实现了上述流程,帮助设计师解决了在大幅扩展的系统设计空间中面临的“选择困难症”。

 

将 ML 应用于电子设计的下一个方向,很可能会涉及设计师和 EDA 工具供应商所拥有的大量设计数据集,通过这些海量的数据,来提取出代表设计成功或失败警告的模式。此时设计将变成一种协同工作,由设计师和 AI 助手携手在已知模式的限制下共同探索新的设计空间。在新场景下,早期设计探索可能不再由仿真工具驱动,而是更依赖于辅助应用程序,AI 助手不会简单地告诉设计师“不要做”,而是会根据数据分析,指出哪些特征可能导致失败,引导设计师做出更好的选择。

虽然在实现这样的联合试点工作之前,我们还有很长的路要走。但 Cadence 已建立起 Cadence Joint Enterprise Data and AI(JedAI)Platform,利用数据库基础设施、工具和路线图、经验和见解,将 ML 和 AI 的力量应用于电子设计。Cadence 将助力设计师们始终走在全球创新前沿,不断推动创新的边界! 


 


来源:Cadence楷登
System化学电路信号完整性航空汽车电子消费电子芯片Cadence
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-03-18
最近编辑:9小时前
Cadence楷登
签名征集中
获赞 0粉丝 19文章 31课程 0
点赞
收藏
作者推荐

用自适应网格加密工具自动生成最佳网格

本文翻译转载于:Cadence blog作者:Veena Parthan 仿真前处理的目标是创建适合所需分析的网格。在生成同时解析几何和物理问题的网格时,我们的目标是提高计算效率。根据仿真预期,我们可以在预计会出现较小流动特征的特定区域加密网格。下图中,车辆周围添加了加密区域,因为我们预计会有大量值得关注的物理现象,尤其是在尾流区域。这一过程需要大量的专业领域知识,并依赖于用户的输入。在流动物理特性极少的区域过度加密网格会增加计算成本和仿真时间,这不是我们想要的。 车辆周围的网格加密区域本文将详细介绍 Fidelity Pointwise 中的自动自适应网格加密功能,该功能可管理数值误差并依据用户定义的边界,同时解析各种应用中的所有流动特征。网格自适应有哪些需求?合适的网格应具备如下特性:● 符合底层 CAD 几何结构● 保持局部各项异性的边界层的网格● 加密显著和细微流动特征在自适应网格加密过程中,我们希望保留边界层和近壁区的物理特征,网格单元尺寸平滑渐变,以确保求解收敛。在自适应网格加密过程中,有必要定义一个自适应传感器,以描述需要额外加密的区域。在飞行器外流仿真中,可以选择马赫数作为自适应变量;而在叶轮机械应用中,速度则更合适。用 Fidelity Pointwise实现自适应网格加密在 Fidelity Pointwise 中首先创建基准网格以启动自适应网格加密,然后基于基准网格进行求解。传感器会在每个边缘评估自适应变量,如果某个位置超出了特定阈值,则会被标记为自适应。之后,根据标记点的位置和该区域新的目标网格大小创建点云,并将该点云整合到 Fidelity Pointwise 的基准网格,生成更新后的网格。这个过程会反复进行,直到求解方案不再随着网格的变化而变化。 Fidelity Pointwise 的网格自适应循环应用测试案例冲击射流 冲击射流的边界条件上图中,冷射流下沉到热板,边界条件如图所示。 基准网格(左),初始网格(右)这样做的目的是比较完全结构化的网格和自适应后的网格。上图中,左边图片显示的是基准六面体网格,右边图片显示的是根据速度大小进行自适应的初始非结构化网格。 速度大小(左)和自适应边缘比例(右)的等值线 右图显示了当前边缘通道所需的缩放比例。自适应过程的重点是喷流和挡板之间的区域。在基于求解方案创建的点云中,25% 的节点超过了阈值,因此将进行相应调整。 初始点云,标注 25% 的节点进行自适应处理在第五次循环中,约 70% 的节点被标记为自适应;而在最后一个循环中,94% 的节点被标记为自适应。一旦约 90% 的节点被标记为自适应,就可认为达到收敛,即可视为很好的迭代停止点。 5th 循环(左)和 9th 循环(右)的自适应网格检查网格统计数据后发现,自适应后的网格比高度加密的六边形网格节点和单元数更少。放大撞击区域后发现,初始网格并没有准确捕捉到物理特性。然而,网格在每个循环中都有所改善,最终更接近实验数据。 每个自适应循环中 努塞尔数(Nu)都会更接近实验 Nu 值轴流涡轮叶片 亚琛涡轮机本测试案例采用亚琛涡轮机,共 41 个叶片,转速 3500 RPM。入口和出口流量如下: 初始自适应网格(左)最终自适应网格 ——叶片域断面(右)这里同样用速度作为自适应变量。调整后的网格中,气流冲击清晰可见。同时,最终调整后的网格准确反映了二次涡和气流冲击。 调整后网格捕捉到的二次涡DrivAer 模型 DrivAer 模型自适应网格加密技术也可应用于汽车领域,这里将 DrivAer 模型作为测试案例。该试验中,仍然以速度作为自适应变量。DrivAer 模型的 RANS 仿真使用了 SST 两方程湍流模型。自适应网格和尾流区的流线如下所示,显示了对涡流的良好匹配和准确捕捉。 DrivAer 模型的自适应网格外流空气动力学 DLR F6 模型本测试案例采用第二次美国航空航天协会(AIAA)阻力预测研讨会上的 DLR F6 模型。马赫数为 0.75,攻角为 1°。这里的自适应变量是马赫数。通过自适应网格加密,机翼顶部的冲击波清晰可见。初始表面压力和自适应后的表面压力如下图所示。每次自适应循环后,冲击波都会变得更加清晰。 初始网格(左)和自适应后网格(右)的表面压力通过观察升力和阻力系数可以发现,每循环一次,网格加密就会变得更加精确。这种网格自适应方法可以很容易地集成到任何工作流程中。虽然最初需要花费一些精力进行设置,但一旦设置完成,用户就可以彻底解放。在自适应循环中,拓扑结构会保持一致,因为每次循环都会返回基准网格。 自适应循环中的升力和阻力系数 来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈