芯片设计原理基于数学，物理学，材料和计算机等科学。作为芯片技术创新的巨大推动者，EDA将各种科学理论作为研发的基础。 EDA研发人员始终站在技术发展的最前沿，始终应对新技术和新应用带来的新挑战。在与业界同行的第25年中，Synopsys China邀请了公司的许多EDA研发精英分享他们在技术研究和前沿技术探索中的经验。以下是曹爱群博士在数字设计实施方面的研究经验以及他对该行业未来的期望：请分享您最近的研究经验。 ●我领导的研发团队一直在开拓创新。我们的最新突破是在从RTL到GDS的整个设计过程中统一优化引擎。在过去的30年中，数字设计的实施遵循了从逻辑综合布局，时钟树综合布线到最终验收的一系列步骤。因为每个步骤都是相对独立的，并且对算法，方法和优先级的要求是不同的，所以在这种情况下，我们努力为每个步骤开发独立的优化引擎。这些独立的发展将对研发施加很大压力，并影响结果的效率和质量。 ●FusionCompiler对GDS通用数据模型的独特RTL为我们提供了一个全新的平台，该平台可以将所有引擎集成在一起。基于每个引擎的优势，我们构建了一个超级引擎，并通过一个通用的数据模型实现了整个过程中技术的自由流动。这意味着该超级引擎可以部署在流程中的任何链接上，而以前仅在某些链接中可用的优化技术现在可以在整个流程中使用。这为我们的用户提供了实现更好的功耗，性能和面积的新机会。 ●该超级引擎只是FusionCompiler领先技术优势的体现，可以帮助客户减少冗余并提高设计效率。将来，我们还将聚集来自所有引擎的杰出研发人才，共同发展，不断突破自我，继续为客户提供更好的解决方案。在当今的集成电路行业中，我们面临哪些挑战和机遇？ ●先进的工艺节点（例如7nm，5nm，3nm）和新的晶体管结构（例如，全能门（GAA））提高了芯片的每瓦性能，并降低了芯片的总体功耗。但是，与此同时，新流程和新结构的操作存在很大差异，并且它对设计中的很小变化非常敏感。布线的延迟对芯片性能有更重要的影响，并且由于在早期设计阶段布线选择的不可预测性，芯片设计仍然面临大量设计迭代的挑战。 ●最近，我们在机器学习方面取得了重大进展，为芯片设计提供了新的方法和思想。机器学习使我们能够在早期阶段了解芯片的性能，功率，布线拥塞和其他方面。开发人员可以预先准备，安排不同的结构并执行相应的优化，从而减少设计迭代并最终实现更好的功耗，性能，系统面积和目标，并缩短交互时间。机器学习减少了我们的重复工作，使我们可以将精力花在更具创造力的事情上。 ●机器学习技术已在Synopsys客户的实际量产中应用。它显着改善了客户的性能和功耗。 5nm芯片，受到了客户的好评。此外，我们在10月推出了更多新的机器学习技术，以进一步巩固我们在该领域的领先地位。中国将如何影响万物智慧的未来？有哪些挑战和机遇？ ●中国在万物智能发展方面具有两个独特的优势。首先，基础设施坚实，对新基础设施的投资巨大。例如，中国的手机覆盖率处于世界领先地位，并将继续引领5G网络的部署。这种对通讯技术自上而下的强大投资是所有智能技术的基础。第二个是软件的普及和成熟。从三岁的孩子到百岁老人，从城市到农村地区，每个人都对诸如微信之类的互连平台很熟悉。电子支付正成为主流，它为万物智能的发展提供了最佳环境。 。 ●全薄的智能