​赛灵思EDA取得重大发展！EDA工具进入机器学习时代！

这也就导致了设计方法的多种多样，其丰富程度甚至超越了宇宙中原子的数量。换句话说，玩 EDA 比下围棋难得多。更糟糕的是，优化算法本身为多项式，会随设计大小呈指数级浮动。因此，通常在 EDA 中面临的取舍是，在编译时间和 QoR 之间进行抉择。

赛灵思和 EDA 公司都拥有着数十年的数据，目前也都在借助 AI 充分利用这些数据。然而在 EDA 公司中，采用机器学习的一项重要挑战是缺乏在特定领域更专业的技术积累。过去几年中，赛灵思大量投资于机器学习领域，不断获取 AI 技术与人才。

现在，赛灵思及整个学术界在 EDA 领域完成了大量 AI 学术研究，涵盖了 AI 技术在综合、平面规划、布置路由、静态时序分析等领域的应用。研究显示，与传统 EDA 算法相比，QoR 比最初提高了 10%。机器学习不仅有助于提高 QoR，还能缩短编译时间，并根据设计模式预测和加快设计收敛策略。

为了缩短编译时间，赛灵思在团队设计方面加倍投入。今年，新引入的特性可实现从系统设计到实现再到部署的层级设计。

今年 6 月，赛灵思发布了 Vivado® ML 版。它是业界首个基于机器学习优化算法，以及先进的、面向团队协作的设计流程打造的 FPGA EDA 工具套件，借助基于机器学习的算法将 QoR 平均提升了 10%，并以模块化设计将编译时间平均缩短了 5 倍。

在 Vivado ML 中，赛灵思引入了 Abstract Shell （抽象外壳）概念，允许用户在系统内定义多个模块，以增量和并行方式进行编译。这种方法较之传统的全系统编译，能将平均编译时间加快 5 倍，最多高达 17 倍。

此外，Vivado ML 还改善了与 Vivado IP Integrator 之间协作设计，使模块化设计可以利用全新“模块设计容器（ Block Design Container ）”功能实现。而动态功能交换（ DFX ）等赛灵思独特的自适应特性，则可在运行时动态远程加载定制硬件加速器，让芯片资源得到更有效的利用。