外滩科技眺望丨国产EDA软件业绩“狂飙” 芯片验证效率仍待提高

21世纪经济报道记者张梓桐 上海报道

随着芯片行业受关注程度日益加深，半导体行业内原本十分小众的领域——EDA（电子设计自动化）开始走到镁光灯下。

EDA（Electronic Design Automation，电子设计自动化）被称为“芯片之母”，是芯片行业一种重要的工业软件，在半导体制造、设计、封测等产业环节的仿真、验证等流程中都扮演着关键作用。

近日，多家国产EDA上市公司发布了2022年年报，21世纪经济报道记者梳理发现，其在收入和利润方面都迎来了强劲增长。与此同时，作为撬动芯片及系统创新的关键杠杆，EDA近些年在智能化、自动化的方向上一路狂奔，但属于这个领域的 “ChatGPT”或者 “AlphaGo”级别的突破，目前还没有出现。

“几乎所有人都在谈论人工智能（AI）技术，对EDA提升半导体和系统公司设计效率的巨大潜力。但就像玻璃渣里混杂的冰糖，关于如何在EDA领域充分释放AI能量的现实路径，其实仍然在探索之中。”芯华章研究院研究员杨思超在接受21世纪经济报道记者采访时说道。

业绩表现良好

近日，国产概伦电子发布了2022年年度业绩报告，实现营业收入约2.79亿元，同比增加43.68%；实现归属于上市公司股东的净利润约4489万元，同比增加56.92%。

除此之外，2022年概伦电子计入当期损益的政府补助1364万元，同比大涨6.75倍。在投资收益下滑的情况下非经营性收入仍然高达1281万元。同比增长1.36倍，为净利润增长提供广阔空间。

在销售收入大幅提升和非经营性收入上涨的前提下，2022年归属于母公司的净利润比上年同期增长56.92%。扣非净利润同比上涨38.34%，概伦电子经营性收入节节攀升，主营业务盈利能力强。

而于去年收购芯达芯片的华大九天(301269.SZ)也于近日披露2022年年度报告，该公司营业收入7.98亿元，同比增长37.76%;归属于上市公司股东的净利润1.86亿元，同比增长33.17%;归属于上市公司股东的扣除非经常性损益的净利润3168.61万元，同比下降40.48%;基本每股收益0.39元。此外，公司拟向全体股东每10股派发现金红利1.5元(含税)。

除此之外，华为也在近日宣布入局EDA领域。此前华为轮值董事长徐直军今年宣布，华为芯片设计EDA工具团队联合国内EDA企业，共同打造了14nm以上工艺所需EDA工具，基本实现了14nm以上EDA工具国产化，2023年将完成对其全面验证。而华为自2020年以来，已陆续投资阿卡思微、九同方微电子、无锡飞谱电子、立芯软件、培风图南等多家EDA公司

AI与EDA

但在行业公司业绩“狂飙”的同时，当下国内EDA工具在设计和验证效率方面仍面临着一定挑战。

杨思超告诉记者，目前一个大规模的芯片已经可以包含超过 100 亿个晶体管，而芯片研发的生产效率（Gates/Day）却没有办法保持同步的提升，两者之间存在一定距离。而有研究表明，验证在某些项目中的耗时占比甚至超过70%，验证的效率因此成为了关键中的关键。

另一个问题则是成本。杨思超对记者表示，由于芯片的研发成本非常之高，单次研发失败的概率理应被降到最低，验证的重要性自然不言而喻。因此现有EDA工具需要不断创新，来提升设计和验证效率。其中一个重要的创新技术点，就是引入数据驱动的方法来改进现有的算法和流程。

而人工智能技术近期的火热也为EDA行业提供了一个新的视角。

“通常我们谈论的人工智能（AI）技术，主要分为机器学习（ML）和深度学习（DL）两种路径。其中，机器学习技术是现有和EDA结合更紧密的方向。”而针对机器学习与EDA紧密联系的原因，杨思超表示，理论上，只要一个系统里存在无法被明确或精确定义的函数关系，又存在大量的观测或实验数据，就可以使用ML技术来学习。

值得注意的是，EDA领域里正好存在很多这样的系统。特别是传统的启发式策略面对日益复杂的系统时，计算效率逐渐趋于瓶颈，大量数据无法得到有效利用，通过引入机器学习，历史数据得到利用形成经验知识，再结合现有的技术可以进一步加速问题的求解，就可以辅助研发人员做出更优更高效的决策。

看起来，行业似乎已经找到了这条通往答案的隐秘路径，但现实却更为复杂。

“简单来说，验证的目的是——在有限时间内，尽可能完整地覆盖到所有的系统状态，同时，尽可能多的找出功能或性能上的错误（bug），并进行修复以确保系统的正确性。我们可以依据其实现的方式，大致分为两类——动态仿真和形式验证。”

在杨思超看来，技术发展的挑战，最终还是需要通过技术发展来解决。

“未来机器学习的技术需要朝着 reusability + evolvability + Interpretability 的三大方向继续发展，才能解决以上这些应用的痛点。”

他表示，为了更好的支撑机器学习在验证里的应用，行业应该倡导系统级别的协同设计，进而发展出对ML更为友好的基础设施，例如：生成更可见、包含更多关系的数据，构建更适合于ML数据存放、使用和更新的数据仓库，提供ML模型更多和EDA系统交互及请求的权限等。

更多内容请下载21财经APP