芯片设计挑战物理极限，大数据伸出援手

芯片设计中需要处理的数据量在每个新的节点都有显著增加。这促使芯片制造商开始采用和谷歌、Facebook及GE等这些数据中心相同的理念、技术和算法。

与云业务相比，芯片设计的数据总量相对较小，两者是TB和PB/EB的差别，云业务数据量太大以至于现有的设备和处理方法已经无法满足。

"你可以用多种大数据的方法来处理这个，但随后也会带来许多业务上的问题。"IBMEDA部门副总裁Leon Stok说："EDA并没有必要去推动这些技术，如此一来问题只有会变得更为复杂，因为设计与制造之间的数据往往是不同的。"

但是对于设计者而言，在数据大幅增长之时，在多个设计环节提取关键数据就显得尤为重要。首先，来自不同域的数据会被单独分开，比如电参数、热参数和时序。Teklatech 公司CEO Tobias Bjerregaard说到："可以通过假设和边缘补偿等方式来进行建模和分析，这样多物理参数和跨域的影响就无法被有效的理解。"

其次，他提到，可以使用分层设计的方法，将SoC数据分解成可管理模块。当新的SoC数据足够大，将不再适合在一台机器上。"最终结果就是，IC被过度设计，而芯片面积、功率和性能方面的考量被忽视。利用大数据的方法，可以帮助设计者解决这些跨模块/跨域的难题。"

Ansys公司RTL功率业务部高级副总裁兼总经理Vic Kulkarni对此表示赞同："在芯片设计中，典型的复杂性就是，200亿个晶体管SoC和1000亿个连接节点的RC网络，所以如果考虑设计冗余，能效、电源管理和完整性变得相当有意思。"

就拿10nm技术节点来说，他说："10nm制程芯片由500mV电压，一般提供15%的冗余，也就是75mV。设计者们知道，他们的动态电压和功率预算或者电源管理需要满足这个冗余，这时他们就开始管理冗余。一般都会将75mV的电压分配一下，如10%分配到这儿、15%用于封装部分、25%分配到那儿，每个细节都可能影响最后的结果。在物联网方面，芯片-封装-系统之间的平衡是非常重要的，比如一个电力参数可以影响热量参数，可以影响电压时序，进而影响整个芯片、封装和系统的性能。封装时如果你不做一个良好的退火优化，也会影响到整个芯片的性能。可能会产生信号波动。也可能将一个芯片级的问题转化成封装和系统的问题。"

Kulkarni强调，考虑到物联网传感器节点变得越来越复杂，这是整个物联网设计的一个关键，"在传感器节点上有越来越多的边缘处理，因此垂直领域有大量的处理要完成，如工业应用中的工业物联网4.0、自动驾驶汽车、物联网医疗、无人机等等。所有的这些都需要更高效的终端设备，大数据让假设场景产生并且让工程团队从冗余管理向满足设计定制化方向转变。"

这种方法从根本上改变了设计过程，避免了对芯片的过度设计，确保不超过功率的预算，以不安全设计作为出发点。"如果你考虑冗余，，则人们就更倾向于过度的功率设计，芯片尺寸会增加，PPA值也变得不正常。"kulkarni说。"从整体考虑，以不考虑安全系数的设计出发，再通过金属2通孔的插入，可以实现芯片die面积5%到10%的缩减。"

这并不是大数据方法的一种简单转移，正如Bjerregaard指出的，大数据分析方法通常用于静态数据的处理，比如谷歌地图。不包括通过假设分析来计算A点到B点所需要的时间，前提是如果C点到D点增加了新的线路亦或者E点到F点的线路进行了升级，或者考虑到芯片设计中，线路也可能被完全去除。

这就意味着，当前所知道的大数据方法并不一定适合假设分析，更不用说自动优化了，Bjerregaard说："大数据唯一的启发就是，可以进行优化假设，在基于设计师经验的前提下，可以做出更好的设计。从这个角度，大数据分析可以极大的帮助设计者获得对设计的理解，从而做出更好的优化。"

Kulkarni也坚持，如果设计方法限制性很大，包括考虑冗余，那么想要引入所需的方法是不可能的，"更开放的想法是满足设计目标，而不是冗余目标。除非拥有大数据，否则是不可能的，因为现在可以通过大数据计算架构来进行大量的实验，这里面很多功能都可以成为app。EMI就可以成为一种app。因为有基础结构存在，参数提取也可以成为一个app。你可以在架构中存储空间和路径信息，也称为异构信息。可以通过大量仿真和实验来比较这个芯片尺寸和其他尺寸的区别。

工程团队经常采用过度设计来减少风险，但这样也浪费了大量的芯片空间。如果考虑到一个传感器网络中有数以百万计的器件（其中包括图像处理，CPU和RF），那么芯片尺寸的浪费就会变得过高。

技术影响
用不同的方式去理解和处理数据是至关重要的。例如天线，热点将在芯片和环境中产生EMI辐射。

"在RTL中