隨著 SoC 和系統復雜性的增加、市場窗口的縮小以及工程資源挑戰的增加，任何可以提高芯片設計效率（更不用說相關的芯片質量）都可以為您帶來優于競爭對手的顯著優勢。

事實證明，改進設計流程所需的原材料一直存在——它們存在于工具不斷生成的互連電子設計自動化 （EDA） 指標和設計流程數據中。有效地解析大量數據以找到可以真正產生影響的可操作見解是一項極具挑戰性的工作。

提示大數據、數據科學和數據分析技術的及時融合;通過它們獨特的合并，可以收集、策劃龐大、豐富但長期未開發的信息源，最重要的是，有效地投入工作，以幫助加速設計過程。

在這篇博文中，我將分享 SoC 設計范式的這一新提升如何在設計流程可見性和可觀察性方面實現可衡量的改進，為更好、更快、數據驅動的設計方式提供深入的設計分析，并在整個業務中實現知識主導的文化，以實現更智能的端到端決策。

超越電子表格，連接各個點

從 RTL 到簽核的設計流程由眾多引擎組成，旨在盡可能平穩高效地實現您的目標功耗、性能和面積 （PPA） 目標。從這個流中產生了大量主要是非結構化的數據。但是假設您可以以正確的方式連接該數據中的所有數據點。例如，在這種情況下，您可以潛在地發現模式，這些模式會引導您獲得額外的設計改進機會，或者您可以更早解決的領域，以促進更快的設計收斂。

工程師嘗試通過日志文件查找見解，但這可能會變得笨拙、不準確且難以共享。提取數據、將其放入電子表格并設置其格式以使模式和趨勢變得明顯且易于共享是一個耗時且手動的過程。然而，這是工程師在創建項目進度報告時必須做的事情。我們需要的是一種通過更全面、更整體的數據視圖來“連接點”的方法。例如，將與設計中某一部分中的時序問題相關的數據與另一個區域中有關擁堵問題的數據相結合會很有幫助。..。..看看揭示了什么。

數據可視化和設計優化技術有助于填補空白。例如，高級數據可視化可以通過在所有實施項目和活動中提供統一的 360 度所有工具流數據來促進更好的決策。從因果關系分析到規范性解決方案，有針對性的可操作見解可以幫助解鎖未開發的 PPA。借助易于共享的設計師知識，團隊可以提高生產力并更快地完成設計。

更智能的數據使用，實現更智能的設計

SynopsysDesignDash產品是數據可視化和機器智能 （MI-） 引導式設計優化解決方案的一個例子，它可以增強設計流程、培養更高效的設計師工作流程并降低項目風險。該解決方案可自主抽取指標數據，同時直接從數字設計流程中的工具共享的獨特單一數據模型中智能地管理相關的分析數據。數據被加載到始終在線的行業標準數據庫中，使信息易于通過基于 Web 的 UI 進行搜索、過濾、圖表、比較、共享和交叉引用。

借助機器學習功能，DesignDash技術揭示了為什么會發生某些事情。它自主分類設計趨勢，識別設計限制，并在整個設計流程中提供指導性根本原因分析。無論團隊需要了解設計失敗的主要原因，關鍵路徑如何在流程的每個階段進行結構演變，或者與以前的實驗相比，特定運行如何，這些問題以及更多問題都可以通過該技術得到解答。

系統和規模的復雜性正在增加，而上市時間的壓力繼續變得更加嚴峻。獲得每個設計和項目的基礎數據的廣泛視圖可以補充推動芯片設計質量和設計生產力成就的工程獨創性。通過機器學習功能增強的數據可視化可以帶來更快、更智能和更好的設計。

審核編輯：郭婷