在電子設計自動化（EDA）出現之前，工程師得仰賴個人敏捷的思考和靈巧的雙手，將電子設計的布局繪製在紙上。所以可以想像，這樣的流程會有多緩慢又存在著人為的錯誤。

因此EDA出現後，就讓電子設計的速度大增，同時透過電腦的模擬與驗證，大幅減少人為的錯誤，讓電子元件的生產製造成本再往下降，電子系統與半導體設計也從此進入了全新的年代。所以EDA可說是現代科技發展的重要推手。

EDA除了讓電子設計有了飛躍式的成長之外，另一個重要的貢獻就是為電子設計的數位化奠下了基石。而在這個基礎上，電子設計打破了傳統的流程疆界，並讓更多的創新成為可能。如今，人工智慧也正站在數位化的基礎，強化甚至重塑了EDA技術的風貌。

機器學習提升晶片設計性能 帶來更佳運算力

就如同每個年代都會有一個代表性的科技，在80年代是PC，90年代則是網際網路，2000年則有筆記型電腦，但到了2010年之後，智慧手機開始君臨天下。然而2020年以後，將會是數據為核心的人工智慧。

然而人工智慧的影響是全面性的，不僅會對一般民眾的生活帶來影響，同時也會衝擊各種工業與商業的活動，電子產業當然也在其中。

人工智慧對電子產業最直接的影響，就是提升了對於儲存與運算的需求，進一步擴大了半導體產業的市場，再者，人工智慧也帶來了新的演算架構，因此終端的系統設計也有了新的形態。如何把人工智慧的功能快速的帶進系統中，就能為相關半導體方案供應商和系統業者亟欲突破的環節。

當然，目前要達到人工智慧的等級仍需要一段時間，但具備自我學習能力的機器學習（Machine Learning）技術，已經能夠大幅推升EDA在半導體設計上的性能，而其中最主要的應用領域就是在設計的驗證上。

以益華電腦（Cadence）為例，這家EDA大廠很早就看到人工智慧的應用潛力，因此早早著手相關的布局，現在更實際的把機器學習技術運用在自身的EDA解決方案中。

益華電腦數位簽核事業群資深副總裁暨總經理Chin-Chi Teng博士，就在其年度使用者大會（CDN LIVE 2019）上指出，益華已把ML技術全面運用在其流程中，在內部設計流程中，ML能帶來更好的PPA（Performance, Power, Area）和更佳的運算引擎；對外，可以提高生產力，並把設計流程自動化。

以聯發科為例，他們透過使用具備ML技術的設計工具，並運用在其處理器晶片的開發中，依據聯發科的說法，透過使用ML技術，其晶片的TNS改善了36%，一些更大型的晶片設計還能改善80%。（圖一）

圖一 : 機器學習導入晶片設計的流程示意。

這個應用的基本原理就是透過使用ML技術，來讓模型（Model）所預測的結果更接近真實的狀況，進一步改善晶片設計的效能。

而對於需要把ML技術帶進產品設計中的客戶，益華也提供了ML的運算引擎IP解決方案，讓客戶可以快速的將ML的演算法放入晶片的設計中，加快人工智慧應用的實現。此外，益華也針對ML的系統架構需要，優化了軟硬體的共同設計。

電子設計自動化升級：走向智慧化

作為半導體產業的上游，電子設計自動化的發展對半導體製程的效率和產能有決定性的影響。整體來說，未來市場對半導體設計的要求，在布局、繞線和功能設計方面趨向複雜化，在效能和產品上市時間方面則以快速化為目標。

一方面，隨著半導體技術節點持續以摩爾定律為指標升級微縮技術，小至電晶體、裸晶，大至系統級封裝（system in package，SiP）、PCB電路板，半導體產品的功能性越來越多元，同時也轉以特殊應用為導向，電子設計勢必要整合具備更多功能零組件的資料庫，也要在個別零組件的設計選項中展現客製化的獨立性。

另一方面，半導體製程複雜且耗費巨資，電子設計的完成勢必代表著半導體的產品設計已進行一系列全方位的模擬、分析和驗證，確保其在產品性能、生產良率和成本上的經濟效益。因此，競爭廠商誰能佔得產品上市先機，完成電子設計繁雜程序的效率影響甚鉅。

電子設計的效率以結果品質（Quality of Results，QoR）和結果效率（Time to Results，TTR）兩個面向來判斷。而人工智慧演算法的強項，便在於利用大數據中有效的資訊進行訓練，進而快速地運算出結果，將之應用在電子設計自動化系統中，則可以提供設計人員在數據量和運算時間上的優勢。有鑒於此，電子設計自動化正邁向智慧化。

電子設計自動化軟體及工程服務大廠益華電腦（Cadence），2018年7月宣布該公司被美國國防高等研究計劃署（DARPA）選中加入「電子復興計畫」（Electronics Resurgence Initiative，ERI），此項計畫分為結構（Architectures）、設計（Designs）、材料與元件整合（Materials & Integration）三個項目，益華電腦參與的是「設計」項目的「電子裝置的智慧設計」（Intelligent Design of Electronic Assets，IDEA）。（圖二）

圖二 : 益華電腦（Cadence）的組織架構。

為完成這項政府計畫，益華電腦聯合卡內基．梅隆大學（CMU）和輝達（NVIDIA）成立了為期四年的MAGESTIC計畫，旨在運用先進的機器學習技術發展出適用於系統單晶片（system on chip，SoC）、系統級封裝和PCB電路板的整合平台，建立智慧化且全面整合的設計流程。

然而，電子設計自動化平台包羅萬象，要將人工智慧技術應用於此，所需的研發時間暫時還不會太迅速。從益華電腦的組織架構就可以發現電子設計自動化平台的複雜性，該公司根據電子設計的流程建立了四大團隊：負責前端設計和簽核驗證的數位設計群（Digital Group，DSG）、執掌客製晶片、封裝和PCB電路板設計的客製設計群（Custom Group，CPG）、提供進階驗證解決方案和驗證IP（Verification IP，VIP）的驗證群（Verification Group，SVG）、管理矽智財的IP群（IP Group，IPG）。

而為了建立智慧化電子設計平台，目前益華電腦已推出結合人工智慧技術的處理器IP—DNA 100，將神經網路內建在終端裝置上（on-device AI），並將以目標函數區別的優化神經網路函數應用在卷積層和非卷積層，與其他具相同乘法累加計算（multiplier-accumulator，MAC）陣列規模的解決方案相比，其性能最高可提升4.7倍。

至於人工智慧在電子設計自動化平台的其他應用，除了像是益華的DNA 100等IP相關應用之外，在驗證和模擬方面也頗具潛力。

在今（2019）年6月的美國全球設計自動化研討會（DAC）上，輝達特殊應用和超大積體電路（ASIC & VLSI）研究團隊的負責人Brucek Khailany表示，人工智慧或機器學習的EDA應用絕非一時熱潮，雖然現階段的發展還未成熟，但這些應用將來都會實現。

Brucek Khailany提出三種潛在的應用場景：第一、解決解析解（analytical solution）難以解決的問題，例如：佈局時利用機器學習擷取特徵（feature），相較於根據歷史資料分析的傳統啟發式方法，這更能預測出佈局後遇到設計規格檢查（design rule checking，DRC）的機率。第二、進行近似模擬的解決方案，這將比進行現有的模擬還要省時。第三、機器學習推理（inference）取代啟發法（heuristics），設計者不需手動編程，人工智慧模型的運算結果自動傳送至設計工具。

EDA的問世固然開啟了電子設計數位化的新時代，但其實仍有一些環節非常不智慧，仰賴傳統的人工輸入來完成，就是系統電子零組件資料庫的輸入與管理。

人工智慧建置電子元件資料庫 加速系統開發時程

目前，電子系統商如果要開發新產品，一定會使用EDA工具和CAD軟體來進行系統的設計規劃與零組件的配置，但在這個過程中所需要的元件資料，都需要仰賴人工來輸入，才能夠產生數位的元件資料庫，過程不僅費時，更大的妨害是增加了整體的營運成本，也是目前電子設計的一大罩門。

然而隨著雲端技術與人工智慧應用的與時俱進，現在這個關卡已經開始有了突破的可能性。一家台灣的EDA新創公司富比庫（Footprintku）就透過AI的技術結合雲端平台，讓電子零組件的數位化有了全新的視野，不過這條路仍很漫長。

富比庫創辦人黃以建指出，EDA產業這30年來幾乎沒有什麼改變，一直維持相同的商業模式與流程。但富比庫是一家賣content和data的公司，並希望能夠朝共享經濟的模式發展，所以跟傳統EDA賣工具是完全不一樣的思維，兩者要能產生新火花仍需要一段時間。（圖三）

圖三 : 富比庫創辦人黃以建(中)，共同創辦人兼執行長陳怡婷（右），富比庫共同創辦人吳忠洋（Chico Wu）。（攝影/籃貫銘）

「主要的原因是EDA業者仍不了解富比庫所採用的模式的好處」黃以建說道。

他解釋。富比庫並不銷售套裝的工具軟體，而是直接提供使用者所需的元件數位內容和資料，因此免除了安裝、學習和管理工具的負擔，能夠大幅減輕裝置開發所需要的時間和成本。

「這就好像你需要經過ABCD的過程才能到E，但富比庫是直接給你E。」黃以建舉例說。但他也強調，富比庫跟EDA業者並不是競爭關係，而且還能有合作的空間，因為他們的數位化技術是能夠與EDA的生態系相結合，讓彼此更好。

電子元件數位化產業標準仍待建立

目前，富比庫也正在推動電子元件資料數位化產業標準的工作，期望透過建立一個通用的元件數位化標準的模式，來進一步加速電子系統開發的時程，讓更多的創新得以實現。依據富比庫的預估，這個作業至少還要花費5年的時間才會有所成果。

而在這個標準實現之前，富比庫透過其專利的AI引擎，把非常繁瑣複雜的元件資料轉為可供系統設計使用的數位資料。這個創見則是來自於富比庫共同創辦人兼執行長陳怡婷，她本身就是學人工智慧演算法起家，透過觀察元件的技術文件並從中發現固定的模式，讓大規模的元件資料數位化成為可能。

「在AI之前是Data」陳怡婷斬釘截鐵的說。

她指出，要實現AI必須要先有很多的數據，而富比庫目前就透過其獨家的技術把過去30年電子設計產業難以突破環節打開，讓電子元件的資料可以快速的數位化，甚至可以產生PCB的Footprint和3D的模型，讓設計者運用。（圖四）

圖四 : 富比庫的數位元件資料建置方案。（資料提供：富比庫）

而有了數位化的資料之外，後續的設計最佳化和生產最佳化也都成為可能，進而刺激產業產生新的設計模式和創新的產品。

「過去至少需要2小時來做元件數據的輸入，現在我們只需要5秒就解決了」陳怡婷說。

目前富比庫正積極與不同規模的系統公司合作，將其運用AI與雲端平台的新型態自動化設計流程導入行業的產品開發中，未來也會評估進入零組件與半導體的設計領域。

而富比庫也相信，AI只是一個手段，目標是讓工具更貼近設計的實際需求，並不是要取代人，重點都在如何改變產業的生產模式，讓產業可以更好。