目前的PCB设计工具与30年前使用的基本工具相差甚远，但即使算法很聪明，就智能而言，它们仍然相当基础。可以建立全面的设计规则，以适应无数限制布局和布线的约束条件，当设计师超出边界时，这些规则会提出建议。但是如果将人工智能（Artificial Intelligence ，简称AI）引入其中呢？AI如何改善PCB设计环境？如果采用AI、AI机器学习方法作为设计流程的组成部分，会发生什么?
PCB设计师习惯于复杂的设计，而大部分设计流程都是相当直接的工程设计挑战。然而，选项和潜在互动的数量激增。有许多方法可以实现相同的目标，但是在系统完整性或特定应用的具体条件下，有些方法会比其他方法更好。尽管如此，在复杂的设计中跟踪所有可能的权衡和选项正在接近技术奇点，即计算机能力可以与人类的大脑相媲美的假设时间点。
谷歌、Xilinx、Synopsys、英特尔、Cadence和西门子都在开发用于硅设计的人工智能应用。最近，基于机器学习(Machine Learning ，简称ML)的方法已经有效地应用于几项应用中，增强的学习能力使其在解决任何复杂、非线性问题时都是独一无二的。不同层次的IC设计也可受益于ML方法，从器件模拟到制造出芯片的测试。IC布局是劳动密集型任务，通常需要迭代。IC的性能取决于器件之间的相对位置。物体之间的距离、导线长度、互连的容抗和感抗也很重要。在初始布局后，变量的模拟值被标注到设计中。初始布局可能并不完美，因此需要进一步迭代。通过使用人工智能减少迭代次数，缩短设计周期时间，可实现极高的成本效益。
PCB布局也采用了很多相同的方法：在做布局前仿真，以确定约束条件做布局，验证布局后将结果标注到设计中。该流程也可能需要多次迭代。
今年早些时候，Cadence宣布发布Allegro X AI云技术。Cadence表示，通过自动化布局、电源平面生成和关键网络布线，可大大缩短设计周转时间（10倍）。几十年来，Cadence一直致力于开发用于IC合成的放置和布线(P&R)工具，现在已将该技术应用于PCB P&R。更短的互连和更少的交叉对于芯片和PCB布局都是必不可少的，但囊括信号完整性和飞行时间要求的关键布线对于PCB来说更为重要。
不幸的是，大多数EDA供应商没有像大型科技公司那样投入研发的资源。资金支持加上创新性的工程设计，可缩短上市时间。开发EDA工具将不可避免地需要更长的时间，但大多数EDA公司感兴趣的是在下一个周期（而不是长期）进行针对销售增加的研发。
目前，EDA工具使用算法控制自动放置和布线。这是计算机程序为完成一项任务所遵循的一组指令。多年来，PCB布线器经历了很多不同的发展阶段，从难以学习、使用和交互的第三方应用，到集成的、基于云的布局/布线器环境。随着时间的推移，IC和PCB布线应用已使用了许多相同的算法，包括：
- 李氏算法(迷宫布线)
- Dijkstra算法（最短路径）
- 基于栅格布线
- 拆解和改道重布线
- 基于形状的，推挤障碍布线
- Steiner树（直线布线）
- 启发式(拓扑图)布线
与其说是算法不同，不如说是环境决定了哪种算法最有效。
随着人工智能的出现，为系统提供了自动机器学习和根据经验改进的能力，而无需明确编程。这有点像熟练的PCB设计师知道如何最好地处理复杂的任务，经验是最好的老师。这些算法是在代码中实现并依据数据运行的过程。机器学习模型由算法输出，且由模型数据和预测算法组成。机器学习算法提供了自动编程，换句话说，算法是构成机器学习和人工智能的组成部分。
机器学习模型（图1）是经过培训以识别某些类型的模型。模型是在一组数据上培训，为它提供可以用来推理并从这些数据中学习的算法。具体来说，机器学习模型是用于识别数据模式或进行预测的计算机程序。机器学习模型是由机器学习算法创建的。这些算法根据处理的数据进行调整、发展和改进。这些模型可以用于进行预测以及对信息进行分类或发现模式。
.jpg)
图1：机器学习模型(来源：IBM)
人工智能如何改善PCB的放置和布线?
熟练的PCB设计师拥有多年的布局复杂设计的经验，如高速FPGA和存储器电路，因此人工智能需要吸收相同的信息，以便在更短的时间内获得相同（或更好）的结果。设计规则和首选布线策略图像形式的数据可以输入到机器学习模型的输入层。然后模型隐藏层中的算法可以处理这些数据，并识别、预测和创建结果布局(图2)。
图2：PCB布局的机器学习模型
固定布线图形的样本图像加上网表、电气和机械约束的适当规则、常用的堆栈配置、系统时序和内存时序要求(加上工作设计的样品眼图)被输入到模型，学习算法识别并处理图像和数据，以预测最佳解决方案。
机器学习使用两种类型的方法：监督学习，在已知的输入和输出数据上培训模型，以便预测未来的输出；无监督学习，发现输入数据中的隐藏模式或固有结构。
选择正确的算法可能会很难；有几十种有监督和无监督的机器学习算法，每种算法都采用不同的学习方法。没有最好的方法，也没有适合一切算法的方法。找到正确的算法在一定程度上就是试错，但也基于对所学图形的识别和针对类似设计的经验。算法选择还取决于所使用的技术（例如DDR4）、频率和信号上升时间。
用PCB图像培训AI的最大问题是数据的可用性。ChatGPT可以访问互联网上无限丰富的信息，然而，PCB模型只能访问输入机器学习模型中的图像和数据，相比之下，是极其受限的。解决这个问题的方法之一是为PCB布局图像和具有认可功能的数据库创建开源的全球存储库。然而，说服客户分享其设计可能是困难的，因为大多数客户不希望公开其知识产权。
要点
有许多方法可以实现相同的目标，但在系统完整性或特定应用的具体条件下，有些方法会比其他方法更好。
通过使用人工智能减少迭代次数，缩短设计周期，可实现极高的成本效益。
更短的互连和更少的交叉对于芯片和PCB布局都是必不可少的，但囊括信号完整性和飞行时间要求的关键布线对于PCB来说更为重要。
目前，EDA工具使用算法控制自动放置和布线。
随着人工智能的出现，机器学习应用人工智能，为系统提供了自动学习和根据经验进行改进的能力，而无需明确编程。
算法是构成机器学习和人工智能的组成部分。
机器学习模型是经过培训以识别某些类型图形的模型。
人工智能需要从信息中吸收和学习，以达到相同(或更好)的结果。
找到正确的算法在一定程度上就是试错，但也基于对学习到的图形和针对类似设计的经验。
特别顾问Charles Pfeil作为一名设计师和一家售后服务机构的企业主，已在PCB行业工作了50多年。退休后，他担任Expedition PCB公司的原始产品架构师和XtremePCB的发明者，最近还改善了Altium布线技术。
Barry Olney任澳大利亚In-Circuit Design Pty Ltd公司执行董事
更多内容可点击这里查看，文章发表于《PCB007中国线上杂志》23年11月号，更多精彩原创内容，欢迎关注“PCB007中文线上杂志”公众号。
