2023年開篇——芯片設計五部曲來了！ 本季將會包括：模擬IC、數字IC、存儲芯片、算法仿真和總結篇（排名不分先后 ? 第一集：模擬IC ? 模擬IC是負責生產、放大和處理各類模擬信號的電路，工程師通過模擬電路把模擬信號放大縮小后，再全部記錄下來，是連續的信號；而數字IC則是通過0和1兩個代號來處理手機信號、寬帶信號和數碼信號等，是離散的信號。

數字IC設計工程師的設計目標是在PPA（Power、Performance、Area）三個指標上追求完美的平衡。

怎么玩轉這門科學？詳情戳這篇：芯片設計五部曲之二 | 圖靈藝術家——數字IC

如果說數字IC像科學，那么模擬IC，就更像是一種魔法。 利用計算機來輔助模擬芯片設計，本質是在解一道又一道高階微分方程題。 EDA工具就是干這個的，ta的價值，就不需要我們來解釋了。 ? 而我們今天的主題是：模擬IC設計不同階段有哪些典型的業務特點，使用的EDA工具有哪些特性，我們如何利用計算機技術提升不同業務場景的計算效率，協助模擬芯片工程師更高效地完成芯片研發工作，提升整體效率。 ? 本篇主要從EDA工具的計算任務視角出發。 而在計算角度之外，調度/管理/數據/協同/CAD等視角，那就是另外的（價錢）篇章了~ ? 先給大家一個模擬芯片設計全流程分析圖：

1、前仿階段：前端電路設計與仿真 本階段包括了設計需求/說明書架構、原理圖輸入、前仿結果比對設計需求3大步驟。 前仿階段本質上是數值計算，因此對主頻要求很高，一旦資源無法滿足，會直接造成CPU過載，且任務之間獨立可切割，十分適合并行。基于設計圖的設計與仿真，參數范圍較少，對內存要求不高。此階段多為多corner與蒙特卡羅Monte Carlo任務，峰值算力需求較高，存儲需求一般。 ? 2、中期：版圖設計驗證 本階段包括版圖設計、版圖規則檢查DRC/LVS兩個步驟。 版圖繪制/驗證同屬規則檢查，因為不涉及數值計算，對主頻要求不高，重內存需求。版圖可以模塊為單位進行切割，子任務間幾乎無數據關聯、適合并行。但版圖檢查量十分大，算力需求比前仿高，推薦使用多核+大內存機型，存儲要求最高。 ? 3、后仿階段：后端仿真 后仿包括寄生參數提取、后端仿真、GDS文件形成。 后仿和前仿類似，多個任務可進行分布式處理。但后仿階段任務，因為有可能涉及電磁場仿真，本質雖為數值計算，但需在優先滿足內存情況下，再滿足高主頻需求，因為加入了各類元器件的寄生參數，算力需求是三大階段里最高的，存儲比前仿要求高，有時會與版圖階段相當。 ?

下圖是我們某客戶全生命周期月度算力實際用量曲線，可以看到后端的波峰相當明顯，詳情戳：解密一顆芯片設計的全生命周期算力需求

?

?

以下，我們選了三種典型場景，展開說說： ?

兩大超常見數值計算場景

多corner又稱為多工藝角，和蒙特卡羅Monte Carlo屬于兩種不同的電路性能與工藝誤差的估計方法，但本質上都是數值計算，前仿和后仿都會大量使用這兩種方法進行任務處理。這兩種方法里的單個任務間都獨立、沒有數據關聯，不論是多corner 還是Monte Carlo都很適合進行分布式并行計算。 ? 推薦閱讀：揭秘20000個VCS任務背后的“搬桌子”系列故事 這個故事拆開揉碎地解釋了我們怎么幫助用戶從單機單任務單線程運行的階段大幅度跨越到了大規模任務自動化集群化運行階段，應該能很好地幫助你理解為啥分布式并行計算會大大提高計算效率。 ? 多corner是將元件的電阻、溫度、電壓等參數的誤差上下限固定后，取每個參數的極值（誤差上限或誤差下限）進行排列組合，每一個組合都是一個獨立的任務。 一種組合就是一個corner，全部的排列組合即多corner。 ? 這就像你來到一家二選一奶茶店。這家店奶茶店的甜度、熱度、加多少配料都只提供兩個選擇，你要么選擇不甜，要么最甜。你每喝一次無非都在這些選項里排列組合（2*2*2種），比如超多糖、燙嘴、超多料；下次你換一種排列組合，無糖，多冰，無料；所有選項的排列組合全點了，那就是多corner。

蒙特卡羅Monte Carlo則是在上、下限之間無窮盡地取值進行排列組合。 ? 這次你來到了一家新的奶茶店，名字叫無窮∞奶茶店，選項完全定制化。你可以在選擇任意一個值，比如第一次你喝的是3分甜、少少冰、不加料；下一次覺得不夠甜，不冰，你點了6.6分甜、7.8分冰、加兩顆珍珠。 這樣就會有出現無數種排列組合的奶茶，這就是蒙特卡羅Monte Carlo了。

可取無數個組合的蒙特卡羅Monte Carlo可以用來估算良率的范圍，隨著取值組合越多，對工藝偏差導致的誤差估計范圍越準確，對實際的成品良率預測范圍越準確，當然計算量也會成倍提高。 ? 不管是哪家奶茶店，這杯奶茶與那杯奶茶之間互相獨立，你喝你的，我喝我的。 這就是多corner和蒙特卡羅Monte Carlo任務特別適合分布式并行計算的本質原因。 不同任務，你算你的，我算我的，分開算，人多力量大。 ? 不論是前仿還是后仿階段，都需要大量多corner與蒙特卡羅Monte Carlo仿真。 兩者相比，蒙特卡羅Monte Carlo仿真因為取值選擇多，組合多，計算量明顯比多corner大。 而前仿和后仿之間，后仿因涉及更多的物理參數，兩種算法的計算量都會呈幾何倍增長，算力需求也更大。 整體來說，這兩種數值計算方法任務間獨立，算力需求大，是我們幫用戶提高效率的典型場景之一。

“大家來找茬”之版圖驗證任務

版圖設計，就是把設計好的電路原理圖變成包含實際布局布線規劃內容的掩模版圖，設計師每天在電路圖上畫花花綠綠的MOS管，確定要用多少元件、用哪種排列方法，在保證芯片電氣性能的前提下，怎么跨層使得芯片體積最小、最省錢。 版圖驗證就是把畫好的版圖和原理圖進行比對，確保兩者的拓撲連接關系一致，同時檢查版圖是否符合foundry的設計工藝。 ? 版圖設計與驗證，就像是在玩一個“大家來找茬”的游戲，首先幾個版圖設計師先一起把這張圖分工合作給畫出來。到了版圖驗證階段，就開始正式玩找茬游戲了。目的是檢查版圖有哪些地方不對，有問題的話，打回去重新畫。畫完再繼續檢查，循環往復。 ? 如果使用“小F影分身術”（版圖分割術），可以把小F分為9個影子，每個影子只需負責找茬九分之一個版圖，影分身的數量越多（版圖切割的任務數）越多，分配的資源數越多，單位效率越高（當然，版圖大小有個物理上限，沒必要走極端）。 更重要的一點，切割版圖與找茬任務之間互不干擾，你改你的，我改我的。你改完了重新提交下一輪，也不影響我還在上一輪。中間也不用因為等待而停工。

切割版圖并合理分配資源的檢查方法，可以讓版圖設計師無需苦苦等待一臺計算機對單個大版圖各部分逐一檢查，而可以讓多臺計算機并行檢查同一張大版圖的不同部分，并自動匯總結果。這樣一來就能更快地完成任務。 ? 版圖、原理圖對比與設計規則檢查同屬檢查類任務，都是以模塊為單位，本質上是數據對比工作、重內存需求、子任務間沒有數據關聯，是一種高并行度任務。因此這一階段很適合在云上使用內存優化型資源，通過暴力堆資源的方式快速完成任務。 ?

模擬電路王冠上的明珠--射頻電路

射頻芯片作為模擬電路王冠上的明珠，一直被認為是芯片設計中的“華山之巔”。 一方面因為射頻電路的物理形狀和周圍介質分布會對射頻信號的傳輸造成很大影響，因此設計之路十分困難，前期需要進行大量仿真測試，而且為了保證高頻性能，材料的選取也十分講究，比如砷化鎵和氮化鎵。 另一方面，為了保證射頻芯片各類指標的性能均衡，很多指標的性能要求都需要挑戰工藝極限或設計創新性的電路結構，十分考驗工程師的經驗積累。 ? 而射頻需要使用電磁場仿真，需要計算三維空間向量。 如果說版圖是將二維世界切成一片片的，那射頻就是將立體空間切成一粒粒的，當然更具挑戰性，算力需求也會呈指數級增加。

當遇到CPU無法滿足的情況，不妨嘗試使用GPU處理，他們可是處理向量計算的一把好手。 ? 目前射頻電路電磁場仿真的三種常用軟件分別為：HFSS、EMX、ADS。 HFSS處理智能制造/汽車制造場景下的電磁場仿真較多、也支持部分芯片設計場景，EMX和ADS處理芯片設計場景的電磁場仿真更為廣泛。其中，HFSS和19版之后的ADS支持GPU處理電磁場仿真任務，且通過并行化處理后，效率提升十分顯著；EMX作為Cadence里的萬能插件暫不支持GPU任務。 ?

?

關于計算量級的本質

? 單模塊、多模塊和top級任務是三種計算量級的任務，從字面上就能猜到單模塊任務，計算量最少；以此遞增，top級任務計算量最多。

單模塊任務指的是單一模塊的任務，比如單層上的某個元器件就是一個單模塊任務，計算量級最小，可能可以繼續拆，也可能是最小不可拆分任務； 多模塊任務指的是多個單模塊合并在一起的任務，比如一層上的多個元器件組合在一起的模塊，計算量級中等，可將多個模塊拆分進行多線程處理； top級任務，字如其名，是整個芯片設計階段最大規模的仿真，將整個芯片的全部功能模塊聚在一起，做全功能驗證。top級仿真是在頂視圖下的一整套前仿或后仿，算力需求最高。 ? 如果涉及到先進工藝（28nm以下芯片），更小的空間，更多的模塊，更復雜的PDK工藝庫，計算量呈指數級增長。 而且先進制程芯片后仿時還要做IR Drop的獨立性檢查，是SignOff的一個必要步驟。業內在該步驟使用的工具大多為Redhawk，和DRC/LVS的算法流程基本一致。 ? ? 關于模擬IC設計，從不同設計階段的計算任務視角出發，我們總結了三點： 1、三大階段的算力需求呈現前期<中期<后期的趨勢。和波谷相比，峰值算力最高可達到百萬級別，使用彈性云端資源可以高效且動態地滿足峰值需求； 2、多corner、蒙特卡羅Monte Carlo以及DRC、LVS這類任務，非常適合直接用多機并行來提升任務效率； 3、基于單模塊不可拆的任務，雖不能做到多機分布式處理，但可以通過上大內存、高主頻機型，靠機器的性能實現任務效率的提升。 ? ?

編輯：黃飛

?