半導體工藝創新，絕對離不開電子設計自動化 (EDA) 的幫襯。現被納入西門子事業部 (Siemens Business) 旗下的明導國際 (Mentor Graphic)，對于系統應用有更深入的觀察。執行長 Walden C. Rhines 博士發現：系統半導體含量在 20 年來首次增加，意味著我們正在嵌入更多價值，且芯片設計者正在改變系統公司。汽車產業也有各式系統公司正在加速發展，已有 463 家廠商宣布將使用于汽車或輕型卡車，這對 EDA 產業是好消息。
照片人物：Mentor Graphic執行長 Walden C. Rhines
半導體生態，跟從前不一樣了！
Rhines 表示，雖然短期內受到貿易戰影響，依據應用程序條款估計將產生永久損失、美國市占率亦見下降，歐洲、日本和中國則是有所抵消、也有所增長，但放大時間軸評估，應無礙晶體管成本變動在學習曲線上持續演進；然凡事有例外，最近一個事證是：隨機存取內存 (RAM) 的突發性需求。盡管長期而言，RAM 數量仍會適度下降；但眼下因為多數設計軟件的架構使用量大，使它在一年中大增 60%，不過預料來年將趨緩，可能只有區區幾個百分點的微幅成長。
Rhines 表示，雖然短期內受到貿易戰影響，依據應用程序條款估計將產生永久損失、美國市占率亦見下降，歐洲、日本和中國則是有所抵消、也有所增長，但放大時間軸評估，應無礙晶體管成本變動在學習曲線上持續演進；然凡事有例外，最近一個事證是：隨機存取內存 (RAM) 的突發性需求。盡管長期而言，RAM 數量仍會適度下降；但眼下因為多數設計軟件的架構使用量大，使它在一年中大增 60%，不過預料來年將趨緩，可能只有區區幾個百分點的微幅成長。
另一方面，從晶圓代工廠購買晶圓的占比也不同于以往——以整合設計與制造商 (IDM) 為例，由于＂無晶圓廠＂(fabless) 雄據 IDM 晶圓銷售高達八成的份額，每年填補約 70% 的產能差額，故 IDM 現在將對外銷售的所有晶圓都納入設計領域。特定領域的處理器似乎是大型主機、微型電腦、筆記本電腦和無線技術的主要推力、是下一波浪潮，可惜受限于工藝微縮，若想大力改善系統的結構性能，那么包括模式識別等在內的多數情況，可能不適用浮點乘法。將數字電腦與生物細胞進行映像、配對，顯示能量消耗的差異高達 1/8，顯示仍有很大的改進空間。
系統商成 EDA 新客群大戶
現行設計中的大量芯片系統結構都嵌入了神經網絡 (NN)，賦予設備學習、發展能力，半導體公司亦見趨勢性轉變：風險投資在 2019 年進入相當強勁的階段，無晶圓廠半導體新創公司在前三輪融資中占有主導地位；而在最初三輪中，中國大陸投資是美國的三倍，約有 1,400 家無晶圓廠半導體公司。芯片識別是目前為止勢力最盛的子類別，具體而微包括面部識別，以及音頻、氣味等泛用模式識別，可通過硅渲染創造能力；若想將視頻標準化，多半是基于數據中心的并行性考慮，而帶有張量處理器 (TPU) 的 Google 已完成兩代芯片開發。
現行設計中的大量芯片系統結構都嵌入了神經網絡 (NN)，賦予設備學習、發展能力，半導體公司亦見趨勢性轉變：風險投資在 2019 年進入相當強勁的階段，無晶圓廠半導體新創公司在前三輪融資中占有主導地位；而在最初三輪中，中國大陸投資是美國的三倍，約有 1,400 家無晶圓廠半導體公司。芯片識別是目前為止勢力最盛的子類別，具體而微包括面部識別，以及音頻、氣味等泛用模式識別，可通過硅渲染創造能力；若想將視頻標準化，多半是基于數據中心的并行性考慮，而帶有張量處理器 (TPU) 的 Google 已完成兩代芯片開發。
不僅如此，他們還建置了機器學習 (Machine Learning, ML) 之訓練 (Training) 和推論 (Inference) 專用服務器，更高效完成工作；然而，云端計算的最大受益者卻是軟件。要轉向著重邊緣設備的霧計算，唯一難處是：許多公司都希望獲得他們無法訪問、收集和分析的信息，而手握完整信息的公司多試圖構筑整個生態系并跨足芯片設計，為功率、感測和數字處理帶來新挑戰，這對模擬設計并非易事，新創公司又該怎么接招？Rhines 觀察，會交付新創公司進行設計的多是大型系統廠，原因之一是：在自有電腦處理電腦視覺，可大幅降低成本并縮短驗證時間。
用熟悉的電腦程序語言涉獵電子工程
這些系統龍頭商會針對數據封包的抽象層——包括編寫 Paralogue / VHDL / SystemVerilog 代碼及 C++ 合成算法進行周期之類的更改；假如能僅用緩存器傳遞語言 (RTL) 和電腦傳統時間示例即完工，生產力可因而提高 50%。當今世上最大市場之一是數據中心和數據處理，值得留意的是，服務器單位數量的增長率正逐漸下降，但晶體管每年仍將以遞增速度增長；試就＂岡波茨曲線＂(Gompertz Curve) 推估，直至 2038 年才會達到峰值。益華電腦 (Cadence) 則從邊緣光加速 IP 著手，其小型正規證明技術可為設計者提供二氧化硅 (silica) DNA。
這些系統龍頭商會針對數據封包的抽象層——包括編寫 Paralogue / VHDL / SystemVerilog 代碼及 C++ 合成算法進行周期之類的更改；假如能僅用緩存器傳遞語言 (RTL) 和電腦傳統時間示例即完工，生產力可因而提高 50%。當今世上最大市場之一是數據中心和數據處理，值得留意的是，服務器單位數量的增長率正逐漸下降，但晶體管每年仍將以遞增速度增長；試就＂岡波茨曲線＂(Gompertz Curve) 推估，直至 2038 年才會達到峰值。益華電腦 (Cadence) 則從邊緣光加速 IP 著手，其小型正規證明技術可為設計者提供二氧化硅 (silica) DNA。
Cadence 企業副總暨系統驗證事業群總經理 Paul Cunningham 博士介紹，他們擁有強大、經過驗證且可配置軟件的數字信號處理器 (DSP)，可自定義乘積累加計算 (MAC) 脈動陣列、精度達 16 位，并已集成專用可預測編譯程序 (compiler)，可讀取來自軟件編程測試臺的信號或通過配置額度解決壅塞。經由自動學習引擎，可直觀選用驗證方法且再次使用 ML 解決數據庫問題，還能訓練一個神經網絡應對特定問題。特別一提，為針對定制化的模擬設計實施數字驗證、并將卓越設計納入系統，Cadence 保留了早期所有軟件，以便綜觀系統分析全局進行開發。
照片人物：Cadence 企業副總暨系統驗證事業群總經理 Paul Cunningham
AI 邊緣設備，牽動工藝技術演變＆操作系統建置
新思科技 (Synopsys) 工程暨驗證事業群副總 Susheel Tadikonda 表示，云端正在創建來自不同設備的模型，并在更多設備之間共享；邊緣的創新周期正不斷提高功率要求以回饋給芯片組，工藝技術也有所變化——以 Google Cloud TPU 為例，運行功率約 200W 且需要水冷卻器；使用 AI 芯片建構，可藉范例做優化平衡，惟轉換時必須專注于當中每個細節。雖然標準化省事得多，但每個設計者都傾向自定義內容，這意味著須進行系統結構分析、自定義編譯程序、需有共同框架，可看到不同層面正在發生之事。其次，了解功耗需求、做前期功耗分析很重要。
新思科技 (Synopsys) 工程暨驗證事業群副總 Susheel Tadikonda 表示，云端正在創建來自不同設備的模型，并在更多設備之間共享；邊緣的創新周期正不斷提高功率要求以回饋給芯片組，工藝技術也有所變化——以 Google Cloud TPU 為例，運行功率約 200W 且需要水冷卻器；使用 AI 芯片建構，可藉范例做優化平衡，惟轉換時必須專注于當中每個細節。雖然標準化省事得多，但每個設計者都傾向自定義內容，這意味著須進行系統結構分析、自定義編譯程序、需有共同框架，可看到不同層面正在發生之事。其次，了解功耗需求、做前期功耗分析很重要。
照片人物：Synopsys 工程暨驗證事業群副總 Susheel Tadikonda
實際運行各式工作負載是建置操作系統 (OS) 的關鍵；很多芯片開發商就是在此卡關，不得不回頭重做系統結構。單就技術來看，有兩種不同方式：一是嘗試使用所有工具，找出使所有工作更有效率的最佳方法；二是藉算法協助程序訪問及生態系統，成熟度和技術指標是成功要素。在落實標準化前，業界正處于競爭激烈的硬件沖擊之中，其間產業聚合繁瑣，理論上，新應用程序較易實現標準化，AI、機器學習以及整合方式仍存在混亂和局限性，迄今依然處于監督學習和訓練階段，也許我們應該關注生態系統，因為電子工程不再僅定格于 IC 設計。
價值模式匹配導致異構性大增，模擬＆仿真攸關設計成敗
將焦點移回 IC 身上，DSP 本身的 Fortran 函式庫已被設計執行一些特定操作，隨著時間推移，帶有神經網絡功能的 DSP (簡稱 ADSP) 越來越多，著重的是在發展應用程序的同時，如何將價值用于模式匹配，異構性將大增，這將丟失更多的單一指令。Tadikonda 認為，如此不成熟的生態系統終將結束，首先崩潰的將是軟、硬件之間的接口，若仍沿相同途徑進行合成和配置操作，需對其進行更改。控制邏輯的模塊基本上大同小異，要進行創新和差異化的地方是數據路徑，即使是邊緣芯片的領導廠商也將效仿 Google、Facebook、Amazon 等系統商的道路。
將焦點移回 IC 身上，DSP 本身的 Fortran 函式庫已被設計執行一些特定操作，隨著時間推移，帶有神經網絡功能的 DSP (簡稱 ADSP) 越來越多，著重的是在發展應用程序的同時，如何將價值用于模式匹配，異構性將大增，這將丟失更多的單一指令。Tadikonda 認為，如此不成熟的生態系統終將結束，首先崩潰的將是軟、硬件之間的接口，若仍沿相同途徑進行合成和配置操作，需對其進行更改。控制邏輯的模塊基本上大同小異，要進行創新和差異化的地方是數據路徑，即使是邊緣芯片的領導廠商也將效仿 Google、Facebook、Amazon 等系統商的道路。
一言以蔽之，只需編寫帶有 C++ 的所有芯片、然后一個按鈕執行即可，之后的模擬與仿真才是重點。每個人都希望建立偏好流程，那么，電路仿真是否能在可用性或計算需求享有彈性？事實上，幾年前本有機會在模擬環境中使用框架集，惟憾錯過了最佳時機。換個角度思考，如果每個人都花費相同預算，可否讓他們盡可能多做一些模擬以求投片順利？EDA 業者面有難色地透露：礙于投入電路設計的從業人員數量有限——手機編程人員數以百萬計，而設計定制化集成電路者頂多只有成千上萬，難有規模經濟，這種類似＂吃到飽＂的方案恐難以為繼。
