【導讀】當你設計電源網絡時，得考慮它們對電路設計的影響，并為其優化布線，否則就無法獲得所有制程微縮的優勢，本文就主要講解應對芯片設計復雜性，EDA工具如何做到新典范設計。
在近日于美國舉行之年度國際固態電路會議（InternaTIonal Solid State Circuits Conference，ISSCC）的一場專題演說中，臺積電設計暨技術平臺副總經理侯永清（Cliff Hou）表示，工程師需要能因應今日芯片設計復雜性的新工具；而他也指出，針對四個目前的主要市場，需要采用包括機器學習在內之新技術、新假設的個別工具。
「我們需要一種新的設計典范（paradigm）來克服芯片設計挑戰；」侯永清指出：「我們是時候該推進設計典范，我們一直只涵蓋設計領域的一小部份。」他表示，產業界在過去十年是由行動應用所驅動，圍繞著智能型手機SoC建立設計數據庫：「現在我們了解，行動應用可以做為一個起點，但我們需要為汽車、高性能系統以及物聯網（IoT）等設計考慮大不相同的應用，優化電路設計。」
侯永清展示了臺積電針對一系列手機與可穿戴式裝置設計應用的四種不同SRAM設計，他也在專題演說中列出臺積電已經看到某些進展的棘手挑戰；舉例來說，從40奈米到7奈米節點，金屬層的電阻增加一倍，而臺積電已經在導線下打造了復雜的通孔柱（via pillars）堆棧，但并不能完全減輕這個問題。
臺積電還根據芯片是否需要更高的密度或速度，采用了兩種金屬；侯永清表示，那些選項：「需要設計變革以及EDA強化…EDA供貨商們已經意識到這些問題，初步解決方案看來頗具前景。」此外，電源網絡的建構也必須非常小心，以避免在晶體管密度增加時的單元利用率（cell uTIlizaTIon）下降；他描述了能讓單元利用率在7奈米節點由大約74%回升到79%的進展。
「當你設計電源網絡時，得考慮它們對電路設計的影響，并為其優化布線，否則就無法獲得所有制程微縮的優勢；」侯永清還展示了能因應隨著設計轉移到更低電壓供電水平而增加之延遲變異（delay variaTIon）的新技術，他并呼吁催生精細度更高的新一代設計編譯程序，以優化特定領域與性能需求。
臺積電利用機器學習在芯片設計繞線前預測線路擁擠，讓速度增加了40MHz（來源：ISSCC）
最后他展示了兩個將機器學習應用于芯片設計的案例，其中之一是在芯片布線之前，運用預測線路擁擠（congestion）的模型，將芯片速度提升40MHz。另一個案例則是能產生2萬個頻率閘控單元（clock gating cell）的先進設計，因為規模太大，設計工程師會被迫采取全局約束（global constraint）；侯永清展示了一個機器學習模型，能預測單元中的延遲并設定其個別限制。
