首页/文章/ 详情

Cadence宣布与英特尔代工扩大合作,加速优化面向HPC和移动设计的Intel 14A工艺

2月前浏览538


中国上海,2026 年 6 月 12 日——Cadence(Nasdaq: CDNS)近日宣布扩大与英特尔代工的合作,并以 Intel 14A 为起点,共同推进面向 Intel 下一代工艺技术的设计技术协同优化(DTCO)。这项全新的多年期协议将 Cadence 的代理式 AI 驱动 EDA 和设计 IP 解决方案,与英特尔的工艺创新和先进设计专长相结合。


此次 DTCO 合作聚焦工具、流程和方法的优化,以实现业界领先的性能、功耗和面积 (PPA) 表现。Cadence 与英特尔将紧密合作,共同优化 Intel 14A 工艺,以交付可投入量产的 PDK。此外,此次合作还将借助 Cadence 的代理式 AI 流程及核心产品加快产品上市速度并降低设计风险。


“我们与英特尔的关系升级为更深层次的合作伙伴关系,对双方公司而言是一个重要里程碑。”Cadence 总裁兼首席执行官 Anirudh Devgan 表示,“此次合作将充分发挥双方公司的优势,帮助客户在性能、功耗和效率方面实现新突破,推动前沿技术不断演进,并加速下一代产品的实现。”

“我们与 Cadence 扩大合作,体现了英特尔代工始终致力于从客户端需求出发,兑现其技术路线图并完善生态系统。”英特尔代工执行副总裁兼总经理 Naga Chandrasekaran 表示,“通过将英特尔的工艺和封装技术与 Cadence 的 AI 驱动设计工具相结合,我们正在实现更深度的协同优化,增强自身满足客户需求的能力,同时也展现出双方公司在大规模推动创新方面的实力。”                       


 来源:Cadence楷登

SystemHPC半导体航空航天汽车芯片通信Cadence数字孪生
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-06-16
最近编辑:2月前
Cadence楷登
签名征集中
获赞 4粉丝 122文章 688课程 0
点赞
收藏
作者推荐

PCB 博客 | 如何使用人工智能优化你的供电网络

本文翻译转载于:Cadence Blog作者:MSATeam 现代供电网络(PDN)设计面临诸多挑战。传统上,设计人员依赖目标阻抗分析——这是确保电源完整性(PI)的一种广泛使用且有效的起点。尽管其简洁性和历史上的成功使其颇具吸引力,但在当今的高速、高密度系统中,随着晶体管开关速度加快和电流需求增加,其局限性正变得愈发明显。Cadence 产品工程师架构师 Jared James 在 EDI CON Online 2025 上展示了一种新方法,该方法采用同时考虑成本和性能的目标函数。Cadence Optimality Intelligent System Explorer 与 Sigrity X SystemPI 相结合,用于确定去耦电容器 (decap) 值和空位的理想组合,以尽可能低的成本实现可接受的 PDN 性能。传统目标阻抗分析典型的目标阻抗流程遵循以下步骤:通过确定每条电源轨的核心电压和最大瞬态电流来定义电源要求,并设定可接受的电压纹波(通常为 3-5%)。计算目标阻抗: 使用软件工具仿真 PDN 阻抗,模拟 PDN 在全频段的阻抗,并绘制阻抗-频率曲线。将目标阻抗线叠加在阻抗曲线上,与目标阻抗进行对比。优化去耦网络:调整电容值、数量和布局,增加低 ESL 电容以抑制高频噪声,使用大容量电容应对低频瞬态。重新仿真并迭代优化。通过时域仿真进行验证,并与电压纹波规格进行对比。该流程存在若干局限性,包括对动态行为的过度简化、频率范围界定模糊、电容反谐振问题,以及成本和空间的权衡,这些都可能引发性能与实用性之间的矛盾。本文的重点是改进第 7 步中的验证环节。Cadence Sigrity X SystemPI/Optimality Explorer 方法论这种全新的 Cadence 方法学依托于 Sigrity X SystemPI,这是一个基于模型的拓扑环境,已适用于阻抗分析 (AC)、IR 压降分析 (DC) ,以及时域电源纹波和瞬态行为分析。 SystemPI 集成了来自芯片、中介层、封装和 PCB 的模型,而像 Voltus IC 电源完整性解决方案和 Clarity 3D Solver 这类提取工具则助力构建这些模型。 SystemPI 与 Optimality 引擎协同工作,该引擎采用了一种全新的强化学习技术,可显著减少所需的独立仿真次数,尤其适用于高维复杂的信号完整性/电源完整性( SI/PI )和射频( RF )综合应用。 Optimality 的核心优势在于效率:它通过有节制地评估目标函数来获得优化方案,让用户能更快地获得精准的电源完整性优化结果。在该流程中,会基于各种设计参数(包括去耦电容模型及各位置的去耦电容数量)搭建 SystemPI 测试平台。仿真设置完成后,Optimality 通过运行有针对性仿真来探索整个设计空间。它会分析每一次仿真结果,根据预设的目标函数和约束条件更新设计变量,并迭代地优化模型。这一过程使 Optimality 能够有效地调整去耦电容值和约束条件,最终生成可用于签核(signoff)的优化设计方案。Optimality 的主要优势是在于其效率:它仅需评估目标函数足够的次数,就能快速找到精确的优化结果,从而大幅度减少所需的仿真次数。这一点在高维度、复杂的设计空间中尤其具有价值。 测试案例演示在 EDI CON 的演讲中展示了一个测试案例,用以说明 SystemPI 和 Optimality 如何协同工作,从而简化 PDN 设计。为了在 SystemPI 流程中演示 Optimality 引擎的效果,创建了一个测试案例,通过时域仿真来优化多个去耦电容位置的电容值。该案例的目标函数是同时最小化初始下冲(undershoot)和所需去耦电容的数量。下图展示了该测试案例的设置。 在给定的可选去耦电容值列表中,找到能在芯片 1A 电流阶跃下产生最低下冲的去耦电容值。仿真结果显示,所需去耦电容数量减少,同时下冲性能优于 5% (50mV) 的规范要求。下图展示了仿真结果。每一个向下的台阶代表一次新的仿真,其目标函数值低于之前的最佳值。虽然图中仅显示了更新点,但如有需要,也可展示中间仿真过程。前约 57 次仿真为随机运行,目的是构建多样化的样本空间,这一阶段被称为探索阶段。大约在第 58 次仿真时,算法开始在探索与利用之间取得平衡,并根据先前的结果优化其搜索方向。从这一点开始,Optimality 会迭代执行仿真、更新模型并调整设计参数,直到达到最大 200 次仿真限制,或找到最优解。在本案例中,该过程在仿真次数达到 140 次模拟之前就已完成并得出结论。 下图比较了两种情况:红色曲线表示最坏情况,所有去耦电容位置都留空,而绿色曲线显示优化结果。如您所见,与基线相比,优化设计显著降低了功率纹波。虽然我们的主要测量重点是初始下冲,但该工具可以轻松配置为针对其他指标,例如最小化超出初始瞬态的纹波,具体取决于设计目标。 结论优化后的结果不仅满足了 50mV 下冲的规格要求,还将去耦电容的数量减少了 4 个。在第 96 次仿真时,电源纹波控制在了 18mV 以下,同时有 4 个去耦电容位置保持空置,这充分证明了该方案在性能和成本节约上的双重优势。在超过 2 万亿种可能的组合中,仅用不到 200 次仿真即可实现这一结果,凸显了 Optimality 引擎的高效性和有效性。如需了解有关这一革命性新方法的更多信息,可访问 www.cadence.com 或点击文末“阅读原文”,了解有关 Optimality Intelligence System Explorer、Sigrity X SystemPI、Voltus IC 电源完整性解决方案和 Clarity 3D Solver 的更多信息。#Cadence #Sigrity #PDNAnalysis #Clarity3D #电源完整性· END · 来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈