本文编译自福布斯

Synopsys的Sassine Ghazi 首次以CEO的身份登台 SNUG。另外，NVIDIA CEO黄仁勋也在参加完GTC之后，便来到SNUG现场，与Synopsys讨论了公司的合作等事宜。

根据黄仁勋的说法，当NVIDIA公司刚刚起步时，Synopsys就向NVIDIA交付了一箱又一箱的软件手册。如果芯片流片出现错误之后，那么当时作为初创公司的NVIDIA就会破产，因此他们需要 Synopsys 仿真和设计工具来确保芯片开发的万无一失。

一万亿晶体管和埃米的旅程

Sassine和黄仁勋在会议开始时讨论了芯片设计人员面临的挑战，从芯片复杂性到Chiplets小芯片，再到系统设计和芯片设计的交叉点。 下面的幻灯片总结了他们共同取得的成就，如今整个芯片设计工作流程实现了 10-15 倍的改进，且正转向生成人工智能和系统软件。

Nvidia / Synopsys 的合作在生产力和性能方面取得了巨大进步

Synopsys 已经通过其首个人工智能增强设计平台 DSO.AI 显着改进了设计，并将强化学习的使用范围扩大到验证、测试和模拟电路设计中。 这些人工智能驱动的工具已在数百个客户流片中使用，并在性能、功耗、面积 (PPA) 方面实现了 10% 以上的提升，周转时间加快了 10 倍，验证覆盖率实现了两位数的改进， 与不使用 AI 的优化相比，相同覆盖范围下的测试速度提高了 4 倍，模拟电路优化速度提高了 4 倍。 他们还在 Design.da、Silicon.da 和 Fab.da 等数据分析平台中添加了人工智能，以实现更好的 PPA 和更高的制造良率。

Synopsys 还构建了 Synopsys.ai，这是一种生成式 AI 解决方案，可帮助芯片设计团队的更多初级成员获得有关无数 AI 工具和云服务产品的问题的答案。 请注意，Synopsys 不会将某些东西称为“生成式 AI”，除非它是使用大型语言模型构建的。 例如，.ai 系列是使用强化学习构建的，该技术在解决布局布线等博弈论问题时仍然是最先进的。

Synopsys 在其设计/验证/测试产品组合中全面嵌入了人工智能

现在该公司正在将人工智能应用到3D芯片设计中。 3D 设计带来了各种热设计挑战，借助面向Multi-Die系统（多裸晶系统）的Platform Architect和Synopsys.ai解决方案的全新功能3DSO.ai，推动Multi-Die设计创新，可以将效率提高多达 10 倍，并在短短几小时内利用本机执行热分析求解器以帮助解决热挑战。

Synopsys 宣布推出用于基于 Chiplet 的设计的新优化和热分析工具

Sassine 还宣布推出一款新硬件 ZeBu EP2 仿真和原型平台，该平台可以仿真高达 56亿门的芯片，这是以前闻所未闻的规模。新的 ZeBu 仿真器用于软件启动、软件/硬件验证以及功耗/性能分析。 如今，没有人通过模拟逻辑和布局来设计芯片。

Synopsys 全新 ZeBu EP2 解决方案，用于硬件辅助验证和原型设计

在硬件辅助验证 (HAV) 领域，Synopsys 还推出了 HAPS-100 12 系统，这是 Synopsys 容量和密度最高的基于 FPGA 的原型系统，通过灵活的互连，特别适用于大型设计的原型设计，例如多芯片系统和大型 SoC。该产品与ZeBu EP2硬件平台共享。

超融合（Hyperconvergence）：下一个 EDA 前沿

最后，Sassine 谈到了超融合的概念。 这个想法是，在 EDA 堆栈各层的交叉点上仍然存在大量优化改进。 通过将人工智能应用到这种抽象和模型级别，可以发现和解决这些隐藏的 PPA 机会。 这个级别的人工智能结合在一个紧密耦合的系统中。 AI 可以跨这些层搜索更大的空间，并释放潜在的 PPA 以便进一步优化。 虽然量化超融合人工智能的优势还为时过早，但Synopsys有多个客户已经测试了这一概念和模型。

总结

Synopsys相信，提高芯片的PPA并降低制造复杂度是一个漫长的旅程，有才华、经验丰富的设计工程师需要专注于更多差异化工作，包括在架构和软件层面上进行的设计。 也许一些“简单”的工作，可以完全由AI在少数工程师的监督下进行。