CDNLive China 2019 现场精彩回顾及演讲资料下载

本文翻译节选自Cadence "Breakfast Bytes" 专栏作者Paul McLellan文章“CDNLive China 2019“。

space

CDNLive China 2019大会于2019年8月15日在上海成功举办。大会由Cadence中国及东南亚区总经理徐昀致开幕辞，接着由全球总裁Anirudh Devgan向大家介绍Cadence创新的 “智能系统设计（Intelligent System Design）” 战略。

图1：中国及东南亚区总经理徐昀致开幕辞

“智能系统设计” 战略

Anirudh首先指出，Cadence在中国有着巨大的影响力，不仅是面向客户，在研发方面也是如此。事实上，Cadence有近10%的员工常驻中国，中国是Cadence的一个重要市场。

当今和未来的智能系统焦点都在于智能性能（人工智能和深度学习能够提供独特的用户体验）、设备性能（软件吞吐量、电磁兼容性和热兼容性等）以及硅性能（模拟和数字计算加速、硅可靠性、高级半导体节点）。

例如在近期与一家汽车公司的会议中，如果一辆汽车的平均成本为3万美元，每年的全球销售量约为1亿辆，这便是一个3万亿美元的市场。对于7nm硅，公司正在从自己生产还是从别家公司购买之间做抉择。他们预计7nm设计的成本为5千万美元，每个芯片的制造成本为50美元。因此，对于1百万辆汽车来说，芯片价格约为5千万美元，设计价格也大约在5千万美元。但是，如果选择购买这些芯片，则需要3亿美元。因此，如果我们有一个可以支持1百万芯片的市场，那么自己进行芯片设计并优化整体系统则意义重大。

图2：Cadence“智能系统设计”战略

“智能系统设计” 策略的基石是由Cadence核心业务：EDA工具和IP组成的“卓越设计”（Design Excellence）。但是，随着电子产品越来越趋向于在其运行环境中实现包括机械、热、天线等综合因素的仿真与分析，“智能系统设计” 策略的中坚层强调“系统创新”（System Innovation）。现如今的手机已不再仅仅是一个大型系统级芯片。“智能系统设计” 策略的顶层则是“普适智能”（Pervasive Intelligence）。在过去的五到十年时间里，深度学习的发展正在改变周遭一切。大多数系统公司正将人工智能算法的专有知识融入他们的系统中，Cadence也同样将深度学习融入到其工具中。

Anirudh指出，核心业务的收入占Cadence收入的90%以上，公司的经营状况非常乐观。他强调了以下几个方面：

Cadence的数字流程产生了世界级的PPA（Power, Performance, and Area，即功率、性能和成本）成果，并在17家世界级前20强半导体和系统公司中实现了生产部署。全流程以最佳的周转时间将PPA的质量提高了10-20%。Genus和Innovus解决方案采用iSpatial技术进行合并，进一步改善了统一的物理优化流程。
Spectre^® X Simulator在提供高达10倍加速的同时保持黄金精度，并增加高达5倍的容量。Spectre系列是业界使用最广泛的模拟器： “这是业界最好的模拟器。”

图3：全球总裁Anirudh Devgan

Anirudh接下来谈到系统创新和系统分析。取决于IP投入的多少，EDA全球市场大约在80到100亿美元。系统分析市场高达45亿美元，并且仍以两位数增长。客户包括半导体公司，系统公司和其他垂直行业。Cadence拥有一个完整的团队来应对这个市场，推出的第一款产品便是Clarity 3D Solver 。Clarity选择以电磁（EM）为重点来针对汽车和5G市场方面需求的激增。加之，现有的解决方案过于老旧，基于二十世纪九十年代的技术，要么根本无法模拟大型设计，要么则耗时过长。从过往处理1百亿个元件的芯片经验中，我们获取了大量关于解决稀疏矩阵的能力，有关更多详细信息，参见文章《Cadence Clarity为系统分析和设计提供前所未有的性能及容量》。

例如，一家系统公司给了我们一部有3千万个元件的手机。尽管元件量很大，但是从我们的角度来看，其实并不难进行分析。Clarity是第一款可以实现这点并进行大规模并行运算的产品。我们可以将LPDDR5的分析速度提高7.2倍、复杂连接器提速9.5倍，扇出晶圆级封装体叠层提速12.3倍。

图4：Clarity提供新一代的真正整体的3D解决方案

同时，Cadence的机器学习也向前迈进了一步。正如Anirudh所说：

“机器学习是一个很大的领域，所以我将谈谈我们自己产品中的成果。我们将人工智能分为三个领域。许多公司都在开发人工智能芯片，包括50家初创公司及很多大公司等。这部分，我们称之为机器学习实现（ML Enablement）、软硬件共同设计、以及Tensilica（处理器）机器学习应用。在Cadence产品中，我们从内到外都应用了机器学习。在内部，相同的用户界面下是应用了机器学习的引擎。其优势对于用户来说是显而易见的，用户可以得到更快的工具或者更好的PPA。我们有很多这样的产品。在外部，机器学习指的是流程的变更及迭代次数的减少。以汽车为例，无人驾驶方法是外部的机器学习，提高引擎性能则是内部机器学习。”

图5：Cadence“智能系统设计”战略

Anirudh对智能系统设计进行了总结：

基础EDA和IP
对系统分析的投资
人工智能和机器学习

软件定义的芯片：智能计算架构创新

清华大学教授魏少军发表了《软件定义的芯片：智能计算架构创新》主题演讲。

图6：清华大学教授魏少军

运行时可重构硬件有可能在不牺牲可编程性的情况下实现类似ASIC的性能，要点有二：

运行时可重新配置的处理器
可在运行时优化硬件和软件的编程语言

他称之为CGRA，或者粗粒可重构架构。芯片会随着软件的变化而出现实时动态变化。当应用程序的多样性较高时，专用集成电路（ASIC）便不再具有吸引力。软件可以很大，但硬件始终有限。因此，软件应被划分成多个模块，并在硬件出现动态变化时逐一执行，从而对模块做出反应。其中的亮点是算法与硬件共同设计。

因此，采用C/C++作为输入语言。C语法检查、代码分析、代码转换、代码优化，然后是流程中间的高层次综合（HLS）。

从人工智能芯片的发展中，我们可以看到这一点。起步阶段是英特尔中央处理器、Xilinx现场可编程门阵列、英伟达图形处理器等。第一阶段是谷歌TPU、以及MIT的Eyering。第二阶段是TsingMicro和WaveComputings DPU。第三阶段便是智能。因此，这是一个从典型发展到领域专用型，再到可重构，最后到智能的过程。

展望未来，魏教授指出，芯片一旦实现智能化，那么它就具备学习能力，有了学习能力，分化能力便可得到加强，这是一种能够改变结构并持续提升的能力。

*原创内容，转载请注明出处：https://community.cadence.com。

space

点击这里下载CDNLive China 2019技术干货！

PCB、IC封装：设计与仿真分析 Blogs

CDNLive China 2019 现场精彩回顾及演讲资料下载