①通过 EDA 实现设计与制造的协同优化
随着集成电路先进工艺的演进和设计复杂程度的提升,集成电路的制造难度亦快速提升。在垂直分工的模式下,虽然产业链各个环节的专业化程度有所提升,但制造端与 设计端的联系不如 IDM 模式紧密。设计端与制造端的分离,导致设计者无法及时了解 制造工艺的限制,从而使得部分设计在制造环节无法达到设计预定的功能、性能或理想的成品率。
为解决上述问题,提升集成电路设计的可制造性,EDA 工具从目前仅服务于设计或制造环节,逐步向实现设计与制造协以测试设备为例同的方向转变。 以广立微的成品率提升工具为例,其目前主要用于帮助制造商监控晶圆生产数据并及 时识别与反馈异常数据,从而指导制造商改善其制造工艺。
然而通过多年以来对制造过 程中工艺信息的沉淀,广立微掌握了制造过程中可能发生的各种效应和变异数据,因此未来广立微可以利用上述数据指导设计者在设计流程的早期预估制造工艺对集成电路功能 的影响,从而提升设计的可制造性。因此公司的产品虽然目前仍聚焦于成品率提升这一 细分领域,但未来可以继续向产业链上游延伸,通过覆盖产品从完成设计到转入制造环节之间的流程,从而在制造端和设计端之间搭建信息互通的桥梁,实现制造端与设计端 的紧密协同,从而优化产品成品率,加速产品上市周期。
②AI 机器学习等先进算法赋能
EDA 工具 EDA 工具的本质即通过一定的程序与算法,简化工程师的工作,实现芯片设计、 验证及数据分析等方面的自动化。随着 AI/机器学习等领域的突破,先进的算法有望替 代传统 EDA 软件的算法,为 EDA 行业实现跨越式的发展提供契机。同时,对于 EDA 行业的后进企业而言,全新的算法使其能与领先企业处于同一起跑线上进行竞争,为其 提供了突破与超越的机会。截至目前,AI/机器学习算法在 EDA 行业内的应用已经存在 多个方向,以制造成品率的数据处理为例,集成电路的制造过程工序繁多,所产生的制造数据亦纷繁复杂。
传统方式下,成品率工程师在进行数据处理、发现问题并指导改善 工艺时多依靠其经验,通常需要与多个生产环节的负责部门进行多轮的沟通反馈,耗时 较长,影响晶圆厂的生产成本及产品的上市周期。通过 AI/机器学习算法的赋能,EDA 工具可实现对制造数据的实时分析与反馈,将制造过程中出现的问题进行有效定位,并 指导改善制造工艺,从而缩短工艺成熟周期、提升集成电路的制造效率。
③EDA 工具的云服务化
随着互联网云技术日趋成熟,EDA 工具云服务化的趋势也开始显现。EDA 工具的 云服务化对于 EDA 供应商而言可以简化销售渠道、提供更为灵活的商业模式;对于客 户而言则可以更加轻松地在线访问 EDA 工具从而降低了使用门槛,并且统一调配购买 的资源也进一步降低了部署成本,从而进一步拓宽了潜在市场。并且由于 EDA 行业高度垄断,对于龙头企业而言,采用云服务的形式在商业模式上未必更加有利。因此相对 而言,龙头企业的变革动力与行业内的后进企业相比较弱,这也就为后进的 EDA 企业 实现弯道超越提供了机遇。