EDA 究竟难在哪里？
产业智能官
来源 : 本文由公众号「半导体行业观察」(ID：icbank) 转载自「芯思想」，作者：邸志雄
三大 EDA 公司主要有哪些软件产品？为什么芯片设计行业无法脱离 EDA 工具？
不知道是否还有人记得这张照片，2017 年 3 月 3 日，在小米 5C 手机和小米自主 SoC 芯片澎湃 S1 的发布会结束时，雷军公布了这张致谢图。图中红色框的即是 EDA 领域的三大巨头：Synopsys、Cadence、Mentor，绿色框是我们国产 EDA 公司华大九天。印象中，这是 EDA 公司第一次出现在消费类电子产品的发布现场。
三巨头几乎都可以提供芯片设计全流程工具，但是 Synopsys 的优势在于数字芯片和 FPAG 逻辑综合相关工具，其逻辑综合工具 DesignCompiler、静态时序分析工具 PrimeTime、调试工具 Verdi 在业界具有近乎垄断性的地位，2019 年 6 月 Synopsys 在 SNUG2019 也推出了更为先进的工具；Cadence 在模拟 IC 全流程工具方面具有绝对优势，而且近几年旗下的数字布局布线工具 Innovus 攻城略地，获得了非常好的市场份额；Mentor 目前已经被德国西门子收购，虽然在全流程方面相对较弱，但是 Calibre signoff 和 DFT 方面一骑绝尘。
芯片设计是一个准入门槛极高的领域，对产品可靠性和历史口碑要求到极其苛刻，在虚拟仿真阶段任何微小错误都有可能造成芯片流片失败，流片失败则意味着数年的工作毁于一旦，公司面临市场失守的悲惨境地。因此，在芯片设计领域，全球几乎没有任何一家 EDA 公司有和三大巨头掰手腕的实力。在 EDA 领域，创业最成功的结局就是被上述三大巨头收购。
因此，三大巨头的 EDA 工具几乎是 Fabless 公司的唯一选择。
EDA 工具的研究难在哪里？
如前所述，芯片设计环节繁多、精细且复杂，EDA 工具在其中承载了极为重要作用：
(1) 将复杂物理问题用数学模型高度精确化表述，在虚拟软件中重现芯片制造过程中的各种物理效应和问题；
(2) 在确保逻辑功能正确的前提下，利用数学工具解决多目标多约束的最优化问题，求得特定半导体工艺条件下，性能、功耗、面积、电气特性、成本等的最优解；
(3) 验证模型一致性问题，确保芯片在多个设计环节的迭代中逻辑功能一致。
(1) 先进工艺节点："晶圆厂 + Fabless + EDA" 协同推进的成果
首先，SOI、FinFET 等新器件结构的发明将带来晶体管电学和物理特性的变革；其次，在半导体工艺制造方面，摩尔定律的演进伴随着众多不可预知的物理问题逐渐浮现。处于摩尔定律推进一线的晶圆厂从材料、化学、工艺过程控制等各种制造细节来创新、调试和求证。而 EDA 公司借助晶圆厂积累的大量测试数据探索物理效应和工艺实施细节的准确和高精度模型化。
然而，这并不意味着新工艺节点研发的终点，顶尖 Fabless 公司将基于此模型和工具进行芯片设计与试产，并且依托强大和丰富的芯片设计不断发现和排除新工艺节点在模型和制造中的各种量产问题。在此期间，芯片设计工程师、EDA 公司的 AE、晶圆厂工程师等等往往长年累月在一起办公，集中攻破新问题，修复新 bug。晶圆厂、Fabless、EDA 三者通力合作，反复迭代，如此才能最终将达到商用和量产要求的工艺节点推向市场。一旦有一个环节出题，前功尽弃。
因此，摩尔定律任何一代最先进工艺节点，无一不是由拥有最先进工艺制造条件的晶圆厂、顶尖 EDA 团队和设计经验丰富的 Fabless 公司三者协力共同推进的成果。这也是为什么台积电最先进制程的第一批产品总是由苹果、高通、华为来发布，只有顶尖的 Fabless 公司才具备参与调试最先进工艺节点的能力。这也是为什么三大 EDA 巨头始终把控细分市场的一个重要的原因。
(2) 数学问题
以一个铝互连时代工艺过程中经典的互连线偏差问题为例，在形成铝互连线时二氧化硅层夹在互连图形的金属层之间，氧化物淀积在已经成形的金属层上，一般都会留下一些台阶高度或者表面形貌，在理想情况下，采用 CMP 方法对层间电介质进行厚度剖平后如图 a 所示。
但实际的情况是，虽然在特定范围内能够达到很高的平整度，但从整个芯片范围上来讲平整度就很有限，如图所示，不同的厚度又对电介质的电容等电特性产生不同的影响。
EDA 工具要做的事就是尽可能高精度地在虚拟的软件世界中重新和拟合类似上述现实中的物理和工艺问题，以期望在芯片设计阶段将其纳入考虑范围之内，以系统性的方法和预测性的裕量来应对和纠正，最终保证芯片设计仿真结果同流片结果一致。
同时，EDA 工具需要对数千种情境进行快速设计探索，以求得性能、功耗、面积、成本等芯片物理指标和经济指标的平衡。随着集成电路制造工艺进入 7nm 以下，数字芯片中标准单元数量已经达到亿数量级，EDA 算法已经成为典型的数据密集型计算的典型代表。且现有布局布线方法大都采用组合优化算法，可接受的计算时间内，不一定能得到局部最优解，甚至有可能得到一个劣解，算法复杂度较高。以上两点导致 EDA 算法的计算时间非常冗长，以小时计。
以一个简单的布线算法示意图为例，以下动图为 EDA 工具在寻求源点和终点之间的金属走线方案。试想一下，芯片内部单元以亿级数量计，内部布线金属层多达数层，如何从一个点在只能走直线和 90 度拐弯的限定下，经过各种不可布线的障碍并不断做出前行的抉择，穿过层层金属，最终准备到达芯片中的另一个点，期间探索方案的计算空间需求巨大，且整体还要满足时序和总线长最小的目标，并必须考虑上文所述的工艺偏差。
(3) 半导体、数学、芯片设计三者交叉学科人才培养问题
EDA 算法问题起点和终点是半导体工艺等物理问题，解决工具是数学问题，应用对象是芯片设计实现具体问题。一般来说本科生很难如此既宽泛又具体的知识储备和体系，因此，三大 EDA 巨头公司研发工程师的平均学历都很高。同时，在硕士和博士阶段，单独从事数学、芯片设计、半导体器件和工艺的人较多，但是三者兼具的人又非常少。
我国当前仅有清华大学、复旦大学、浙江大学、北京航空航天大学、电子科技大学、西安电子科技大学、福州大学等少数学校从事 EDA 方向的研究和人才培养。尤其是清华大学计算机系在 1970 年代就开始相关研究，为我国国产熊猫 EDA 工具 (华大前身)、华大九天 EDA 工具的研发做出了很大的贡献，而且培养了大量的 EDA 算法人才。
值得欣喜的是，国内 EDA 的研发力量近几年也有长足的进步。2017 年 6 月在集成电路计算机辅助设计领域的旗舰会议 — 第 54 届设计自动会议 (ACM / IEEE Design Automation Conference 2017) 上，福州大学陈建利老师的论文 Toward Optimal Legalization for Mixed-Cell-Height Circuit Designs 获得最佳论文奖 (作者：Jianli Chen, Ziran Zhu, Wenxing Zhu, Yao-wen Chang)。这是 54 年来中国大陆作者第一次以第一单位 / 第一作者获得该会议最佳论文奖。
国产 EDA 公司的机遇
如本文在第一节所述，国产 EDA 工具目前还主要以点工具为主，只有华大九天有模拟 IC 设计的全流程工具。但是，也不乏亮点。在过去的几年，华大九天的 Xtime 物理设计时序优化与 Sign-off 工具和解决方案，得到了业界一线工程师的一致好评，已经成功打入全球一流芯片设计公司中，成为数字全流程中的重要一环。而且，华大九天是全球是全球唯一可提供液晶平板显示全流程 EDA 设计解决方案的提供商，国内市场占有率超过 90%。
此困境之下，国产 EDA 工具将进入国内 Fabless 的视野，取得扩大市场份额的契机，进而获得与拥有先进制程的晶圆厂合作机会，国产 EDA 元年或将就此开启。
作者简介：
邸志雄，博士，硕士研究生导师，西南交通大学信息学院电子工程系副系主任。CCF 会员、中国图象图形学学会军民融合专委会成员、新工科联盟 "可定制计算" 专委会成员。研究方向为高性能图像编解码芯片技术研究、AI 布局布线算法研究。近年来主持国家自然科学基金青年项目、四川省科技厅项高新重点项目等项目，参与完成了我国自主研制的首颗宇航级高速图像压缩芯片 "雅芯 — 天图"。指导硕士生和本科生多次获得全国研电赛集成电路专项赛、全国大学生集成电路创新创业大赛国家级奖项。
延展阅读：工业软件的核心在知识复用
贝加莱 贝加莱工业自动化
最近一段时间对于工业软件的讨论日趋热烈，然而，大部分讨论工业软件的都是在前端数字化设计部分、信息化部分的产业人士，事实上，工业软件的重要性，对于运营端的企业来说，这已经是早已既定的事实，因此，从工业自动化的人眼中看到的工业就是“软件”产业，并且，软件的核心在于“知识复用”。
工业软件是知识的凝聚
对于每个行业，机器都有其生命，如果说机械的设计是一种外在的骨肉，那么软件则是它的知识凝聚，也包括了智慧。
对于不同材质的塑料颗粒在加热熔化后进入模腔中后，会需要什么样的注射速度、温度、压力、保压时间，以生成合格的壁厚、规格不同的制品，这些需要大量的工程积累，成千上万的塑料原料类型，几千种纸张薄膜的类型、纱线由不同的面纱组成，我们每天接触大量不同的生产设备，可能就一个弹簧、一个螺丝都会让我们看到成百上千种，大量的材料不同、规格不同、精度、强度…各种物理变量要求不同的产品的加工过程如何被生产制造，这需要积累大量的经验。
这些经验通过数学建模、测试验证、形成软件，无论是为了设计这个机器，还是机器加工产品的工艺，或者开发控制器，这些都需要借助于大量的软件—本质上而言，工业软件是工业知识的凝聚，所有的工程问题都可以归结为数学问题，在数学上可以被描述的问题，就可以写成软件，而软件就可以继承、复用，成为工业再开发的基础，而欧美制造业之所以发达，其工业软件之所以强大，就是因为经过上百年的积累，才形成今天这样的工业软件强竞争格局。
软件是封装Know-How的容器
今天，机械制造而言，他们机器的差异都体现在了工艺的知识积累上，之所以软件成为一种Know-How的容器在于以下几个方面：
（1）软件赋予了机器灵活性：通过电子凸轮曲线设计，单一的刀辊裁切可以胜任不同的尺寸规格的变化，而通过意匠图，不同的花色可以在经编机上实现切换，这些都是软件知识所体现的灵活性。
（2）软件让相同硬件上实现差异化竞争力：今天机械制造业所采用的控制器都已经越来越低的成本，而对于自动化厂商而言，尽管我们已经可以使用到全球最为领先的控制器硬件，但是，对于如何形成差异，则需要企业具有创新的设计，包括工艺、易用性上的思考、维护便利性、产品适应性，而这些都是可以通过软件来实现的。
（3）软件让机器扩展疆界：从传统的机理模型，乃至今天的数据驱动型的应用，如寻优、预测性维护、基于视觉的产品缺陷检测等，这些机器学习与人工智能方法本身也是一种软件知识的体现，将我们队工艺的基础模型，和AI在不确定、非线性问题上的处理能力，进一步优化生产的品质，和个性化时代的机器开发。
软件提高了机器与系统开发的效率
快速变化的市场对于机器响应市场需求的迫切需求，而这就是对于“智能”的需求，智能的核心在于“响应变化的市场需求”，通过自感知、自判断、控制自动决策来适应生产的变化，而这些“变化”更对今天的系统工程应用提出了更高的要求。
有人观点认为数字化设计实现了机器0-1的创新突破，而工程平台其实在实现1-N的突破，即，平台将对工业的知识、操作习惯、经验、模型、测试方法等等以软件模块的形式封装，以便今后变化的机器可以共享“共性”模块，这是降低整个新机器的局部设计变化的最高效方法。
为什么说软件提高了机器与系统开发的效率？这需要从几个视角来看：
（1）组件技术让机器从开发到配置
（2）建模仿真设计可复用的组件
（3）应对变化
（4）实现测试与验证的效率
工业自动化的软件价值体系
整个工业自动化，从其软件所涉及的范围来看，它也包含了完整的软件价值体系支撑。
从上图我们可以看到，对于工业运行系统而言，其应用包含了两个大的部分：
（1）自身的控制工艺应用与运行这些软件的runtime环境，以及开发环境的软件平台，这些包括底层的控制系统的实时操作系统RTOS、Runtime运行时、开发环境、集成于环境的工艺软件、服务于开发的测试、仿真环境。
（2）通过开放的连接实现的接口，如可以通过FUM/FMI与数字化设计软件（如Industrial Physics、Dassalt、MapSim、PTC等）、也可以通过OPC UA与机器学习等任务进行接口连接、或通过标准的Web技术与Internet软件如IE浏览器等实现基于Web的访问、FTP、VNC服务等。
贝加莱的Automation Studio就是这样一个工业软件集成开发平台，它聚焦于为机器与产线用户提供面向所有控制对象和全流程的软件开发。
Automation Studio集成了RTOS、runtime、工艺库、开放的接口连接于一体，是目前全球自动化领域为数不多的自主开发的全集成开发平台。
软件组件技术-软件复用
贝加莱的mapp技术即是基于软件复用思想而开发的组件，其设计思想在于通过标准化与模块化来提高系统软件开发的效率并降低成本。
Automation Studio提供了基础平台后，mapp则是基于它为行业用户提供的专业库、行业库，基于标准的PLCopen封装，mapp实现了多层次的组件开发，这些组件可配置为一个机器的软件。其思想类似于AppStore，即在平台上开发一个个的工业app，以解决不同的应用问题，而一个机器的软件由这些app配置来完成。
mapp就是工业知识的凝聚，它包含了：
mappMOTION：针对机器人、CNC和定位同步控制，均可实现控制；
mappControl：针对闭环控制、张力、温度、液压等实现标准应用的封装；
mappService：提供了针对机器与产线服务的远程诊断与维护、日志、报警、安全访问等功能；
mappVIEW：针对机器开发非常满足User-friendly的HMI画面；
mapp….
mapp是工业知识的凝聚、Automation Studio是强大的自主创新开发平台，而开放的连接使得自动化系统与数字化设计、数字化运营、机器学习等构成了完整的智能制造全架构。