最近，来自清华大学等单位的研讨团队宣布了运用依据强化学习人工智能做主动化毫米波电路(论文中的比如是滤波器)的规划。依据论文成果，运用人工智能算法完结的滤波器规划能到达和真人工程师附近的目标，而风趣的是人工智能算法得到的滤波器的形状则较为不规矩(下图中的a和d是真人工程师的规划，b和e是人工智能算法的规划)。
相关报导得到了电路规划范畴的重视，不少朋友关于算法能主动规划出目标和真人规划挨近的滤波器表明惊奇，并期望未来能有更多这样依据人工智能的主动化算法来加快电路规划。
在笔者看来，这样的强化学习人工智能算法用于滤波器规划确实是一种学术上的打破，而在未来咱们可望看到更多这样的打破。另一方面，事实上人工智能现已在EDA范畴得到了高度重视，乃至咱们现在现已在用的一些东西中现已在算法上加入了人工智能的成分。可是，咱们一起也以为，人工智能离真实主动规划中等规划以上的杂乱电路还有很长的路要走，未来人工智能在EDA范畴首要还是以辅佐工程师规划，简化流程以及进步规划质量为主。
人工智能的实质
要了解人工智能关于EDA的影响，咱们首先要了解这一波人工智能算法的实质。这一波人工智能算法归根到底是依据大数据发掘的机器学习算法，能够从海量数据中掌握高维数据之间的计算规矩，并依据该计算规矩来完结更多的使用。
实践上，人工智能最拿手的其实是和高维数据相关的剖析和优化的使命。什么是“高维数据”?用简略一点的办法来解说，能够大致了解为“受很多种要素影响的变量”。
举例来说，假如咱们把“用户购买某款网红口红的概率”作为一个变量，那么咱们会发现该变量会与用户的性别、年纪、学历、收入、居住地、是否喜爱网购等很多要素有关，把所有这些相关要素组成一个向量，便是一个高维数据。人类天然生成很难定量处理这种高维数据，所以往往要降维处理，例如依据数据总结出“满意女人，年纪20-25，大学以上学历，月收入5000以上，居住在二线以上城市，喜爱网购这些条件的人最或许买这款网红口红”，但这远远做不到定量，由于变量和影响要素之间的联系人类难以找到一个拟合的数量联系。
例如用户A年纪为26(超出前述20-25规模)，可是对网购有远超常人热心的女人，尽管没有落在前述规矩的规模里，可是乃至会比落在前述规矩规模里的人有更大的或许去买该款口红。可是假如用机器学习就能找出变量与各个影响要素之间的拟合数量联系，这样关于用户A的比如，尽管其年纪项的得分略低，可是其网购热心得分极高，因而其购买口红倾向的总分也会较高，体系就能够顺畅将其概括为该口红的潜在顾客。
假如咱们看前面人工智能规划滤波器的比如，也能看到相似的状况。滤波器的走线事实上是一个高维数据，由于每一个像素点都存在自在度让工程师去决议走线要不要掩盖到这儿。关于人类工程师来说，由于难以处理这么高的数据维度，所以规划的时分会采纳降维的办法，即以画直线为主，可调整的变量简化到了直线的粗细、直线之间的距离以及直线的数量等等。而人工智能则不受数据维度的约束，因而会探究出更自在的规划形式，相应地其规划成果在人类看起来也会显得更不规矩——由于一旦依照规矩，就意味着数据维度的下降。
当然，这一代的人工智能尽管具有处理高维数据的强壮才能，与此一起也有很强的局限性，即缺少笼统推理、因果归因和概括的才能，一起其生成的才能也偏弱。别的，由于人工智能是依据大数据的数据发掘，因而在数据量不够大的时分，就难以作业。因而，人工智能现在还没发学习到一套笼统的、普适性较强的规划办法，也就约束了其主动完结杂乱规划的才能。
人工智能在电路规划中的使用
依据之前的剖析，咱们能够发现人工智能关于电路规划最适合的使用是关于高维数据空间的探究，包含具有海量影响要素导致人类规划师难以掌握的问题，以及启发式的优化问题。
机器学习和人工智能在EDA范畴最遍及的使用比如便是数字电路后端的布局布线。数字电路的布局布线归于典型的启发式(heuristic)探究问题，即由于变量空间过大，难以找到大局最优解，因而实践的办法都是从一个打听型的初始解开端，渐渐探究测验，终究收敛到一个较好的解上面。关于数字后端布局布线流程比较了解的朋友们一定会知道一般布线流程会包含trial
route、global route、detailed route以及重复的incremental
optimization，这也便是一个典型的经过启发式算法找到较优解的流程。
关于较大的规划，布线算法的每一步都要跑十分久(数小时到数天)，可是最终又不一定会真实收敛到较好的解，有时分乃至会呈现跑optimization成果反而变差的现象，这其实也是传统的启发式算法的典型现象，由于启发式算法的探究仅仅大概率会得到更好的解，可是不能确保每次探究都能找到更好的解。
