以AI为中心的预测性SPICE：一种高能效策略

以AI为中心的预测性SPICE EDA工具有望大幅提高电路设计效率。这些工具消除了放置元件、输入命令、保持设计流程正常进行、编写脚本、搜索电路库等需求。然而，以AI为中心的预测性SPICE工具不会止步于此。与预测性在线消费者广告的工作方式类似，SPICE AI工具将提供相关的简明设计说明、建议设计策略，甚至为用户执行、仿真和评估这些策略。随着预测性AI对用户的了解加深，它将在工作日设置一个SPICE设计专用空间，早上进行简报，晚上则提供电路的能量指标及其自身能耗和对电网影响的报告。

以AI为中心的预测性SPICE定义

鉴于以AI为中心的预测性SPICE的目标仍处于讨论阶段，其定义仍需要一个答案。当前的答案是多维的，而且，取决于所询问工程师的不同，可能会也可能不会增加多维价值。

硬件层面的答案指向可扩展并行计算。具体而言，并行计算可以在多个IP核模型的多层次上同时执行包括DC、瞬态、频率、噪声、PVT角、蒙特卡罗在内的多种矩阵密集型SPICE计算算法。更重要的是，仿真在预设的计算时间内完成，可按比例缩小或扩大，以确保AI仿真工作负载不超出能源合规性指南。

在预测领域，AI SPICE工具知晓任务内容、应交付成果、实现方法以及所需资源。首先，预测性AI会配置设计项目所需的硬件和软件平台。在电路设计领域，它会决定采用何种半导体工艺技术以及哪些IP核单元和宏是最优选择。由于EDA设计流程已经成熟，预测性AI工具无需等待人类命令，它了解需要运行哪些分析算法及其顺序，以及可能出现的电路设计与仿真问题。即使不完全清楚，它也会通过记录和检索操作员的计算机按键情况来不断学习。

SPICE学习曲线答案——文本提示

尽管精心构建的开箱即用并行计算令人印象深刻，但如今的设计人员已习惯即时仿真结果。在新的AI工具领域，零时间学习曲线是一个目标。该工具旨在消除当今EDA生态系统中存在的繁琐、复杂且低效的操作流程。

为了减少学习时间和提高日常工作效率，我们希望能有一个类似于Gemini或Copilot的SPICE文本提示界面。理解人类文本命令的界面消除了学习晦涩编码命令和冗长按键序列的需求。特别是，具有足够高智能的文本界面能够轻松理解并执行工程师希望下一步执行的任务。例如：

“设置一个表征电路，确定SiC JFET的直流和交流电气规格。”

或者：

“执行所有必要的电气特定仿真，然后生成数据手册。”

矩阵计算——时间和能耗瓶颈

矩阵计算是一种可以追溯到公元前300年的数学技术，在AI软件和硬件中广泛应用。尽管其构思巧妙，但作为基础的AI计算算法，它也存在缺点。具体来说，它是一种计算密集型算法，也就是能源密集型算法。随着矩阵权重的数量增长至数十亿乃至更多，仿真器的能源消耗不容忽视。虽然看似可控，但AI面临的能源危机更多地与未准备好支持AI的电网有关，而非能源本身的问题。

理想情况下，以AI为中心的SPICE工具不会依赖矩阵密集型算法。收敛问题和涉及100,000×100,000矩阵的长时间电路仿真将被消除。然而除了解决SPICE 50多年来一直依赖的矩阵算法外，还有其他替代方案吗？

降低SPICE能耗成本的一个方法是基于推理和逻辑的预测结构方法。推理和预测驱动的SPICE工具能识别电路结构并确定其功能，而无需进行矩阵计算。例如，逻辑而非矩阵数学可用于判断在一定范围内(欧姆、兆欧、微法等)元件值的运算放大器电路是否为滤波器，甚至更具体地说，是在音频范围内的带通滤波器。更重要的是，基于推理的if-then逻辑可用于训练以AI为中心的机器识别原理图的功能、实施电路功能，并判断电路设计是否会收敛。

神经学习

AI SPICE工具的一个层面是神经网络，特别是神经网络权重。随着神经网络通过连续的反复试验进行学习，它会改变原始权重矩阵。在某一时刻，神经网络会确定最佳设计结果所需的确切权重。在SPICE电路图中，权重是元件值。例如，10kΩ电阻的权重为10,000。但权重不止于此，电阻的权重还包括温度系数、方差和尺寸等。

为了降低神经学习对电网的要求，一种方法是创建和使用一组已被证明能够减少矩阵密集型仿真重复迭代的神经种子数据集。理解其工作原理可以通过一个复杂的自主能量优化电路设计来说明。这里的电路设计过程需要一个初始权重数组或神经种子。或者用普通的电路设计语言来说，就是直通设计尝试。通过反馈机制，连续运行电路仿真，评估仿真结果，并改变电路权重。直到在本示例中，权重产生的电路符合指定的能耗限制。在后续设计中，这些权重将用作神经种子。

预测性可视化界面

以AI为中心的SPICE的可视化界面虽然不是相关AI算法的基础，但可用于构建或指导基于文本提示的电路设计。SPICE聊天不需要Gemini拥有的词汇表。为了简化SPICE聊天设计，一种方法是直接忽略未经训练的词汇。

智能仿真世界中的预测性可视化界面或图形用户界面(GUI)是动态的。它们是由AI根据设计项目的性质生成的。一个名为“SiC AB类放大器”的设计项目，就像物理电子工作台一样，会自动设置为虚拟SiC设计工作台(图1)。

图1：预测性AI SPICE可视化界面(SiC)。

可视化界面还能让设计人员了解文本提示所熟悉的词汇。正如预期的那样，AI SPICE聊天中有关SiC设计的词汇将包括SiC JFET或MOSFET数据手册上技术规格的缩写和全名。对于SiC音频AB类电源设计项目，高智能SPICE工具应具备高级仿真设计词汇。更重要的是，可视化界面应从一开始就提供有关设计可行性的建议，并在设计过程开始之前显示预期的仿真结果。

训练有素的预测仿真器可能会包含一个警告框，提示尝试执行低温SiC电路仿真可能是无效的设计和应用。

预测数据集和数据库

以AI为中心的SPICE运行的核心是其数据集。对于SPICE，数据集自然包括模型库、相关数据规范、先前完成的设计、网络表和电路结构。SPICE可生成工程报告、图表和热分析模式等。数据集还可以以公司间的书面技术报告或美国专利商标局(USPTO)专利的形式出现。AI SPICE工具可以使用这些数据集生成针对电路设计项目计划的报告。来自该数据集的AI SPICE报告可能能够回答以下问题：在实践中，哪种SiC的漏极至源极电流最大？或者，在什么温度下，SiC JFET的漏极至源极电流最大？

结语

以AI为中心的预测性SPICE工具将成为人类的设计助手。最初，它们能够接受一般化的设计命令，随后逐渐独立工作。这些工具将具有文本、视觉和层级界面，可直接连接到不同且日益全面的结构化数据集：文本界面将允许设计人员选择提取和编译报告的数据集。以AI中心的SPICE工具将基于对电路元件权重和连接图的分析，预测设计意图、功能及可行性，从而生成直通的设计与仿真结果。因此，以AI为中心的SPICE工具必须具备极低的能耗需求，并能始终产出高品质的节能优化电路设计。

参考文献

¹ How to apply AI effectively for LTSpice, April 11, 2024, by HogoNext Editor team

² Jaeseung Lee, Sejin Park, Minhyeok Kweon, Seokhyeong Kang, “Machine Learning-based Fast Circuit Simulation for Analog Circuit Array“, 2023 ACM/IEEE 5th Workshop on Machine Learning for CAD (MLCAD)

³ Xyce, “Parallel Electronic Simulation“, Sandia National Laboratories

⁴ Christa Marshall & E&E News, “Biden Opens Publicly Owned Land to Data Centers Run on Clean Energy“, Scientific American, January 15, 2025

⁵ History of Matrices

⁶ Michael Engelhardt, “SPICE Differentiation”, Analog Devices

⁷ Don Pederson: Creator of SPICE, UC Berkeley Engineering, Jun 19, 2015

⁸ “SiC- JFET Silicon Carbide- Junction Field Effect Transistor. 1200 V CoolSiC™ Power Transistor“, Infineon Technologies, 2013-09-11

⁹ Michael J. Krasowski and Philip G. Neudeck, “Practical SiC JFET-R Analog Integrated Circuit Design for Extreme Environment Applications“, Glenn Research Center, Cleveland, Ohio, NASA

¹⁰ Si-C Mosfets on Audiozen amplifiers, AudioZen

（原文刊登于EE Times姊妹网站Embedded，参考链接：Predictive AI-Centric SPICE: An Energy Efficient Strategy，由Franklin Zhao编译。）

本文为《电子工程专辑》2025年4月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。