本文由半导体产业纵横（ID：ICVIEWS）编译自semiengineering。
数据和工具的集成仍需要改进，但更快的多物理模拟对于情境感知优化和可靠性至关重要。
异构芯片集成、先进封装，以及多行业领域的日益数字化，正在推动数字孪生走向设计的前沿。
这些复杂组件中的挑战在于，要弄清楚不同chiplet、不同封装方法之间的潜在权衡，并且能够快速做出决定，以便赶上市场窗口期。这包括显而易见的功率、性能和面积/成本的权衡，同时也涉及到机械工程、各种制造工艺对不同材料的影响，以及设计不同部分时兼顾全局和细节的需求。
Cadence多物理系统分析产品高级产品管理组总监Sherry Hess表示：“想想手机给我们的生活带来的变革，以及当今电动汽车的普及。这些产品不仅是电子工程的杰作，也是机械工程的杰作。无论是可折叠手机还是飞行汽车，电子产品都呈现出新颖的形式。在这里，工程领域必须共存和协作，以打造出尽可能最好的最终产品。”
所有顶级EDA公司均已采用多物理场作为利用芯片以外的工具方式，重点关注大规模仿真。“跌落测试、空气动力学和气动声学效应又如何呢？这些在很大程度上属于计算流体动力学和机械多物理场现象也必须考虑在内，”Hess说。“那么，跌落测试如何影响电气性能？电子世界及其种类繁多的最终产品正在推动我们超越纯电气工程，以更宽广的视野开发异构产品，以及异构工程团队。”
在用户生态系统中将物理过程和数据连接在一起称为链接。Keysight ESI集团首席产品和技术官Emmanuel Leroy表示:“在汽车设计中，将焊接连接到碰撞模拟意味着我们可以对焊接过程进行非常精细的模拟，处理不同的参数，并将模拟结果考虑到碰撞中，以确定焊接是否会在碰撞中失效。这样做可以调整和优化我们想要使用的焊接类型、工艺参数和点焊数量。这打破了OEM组织中的孤岛，引入并行工程概念，例如我们如何将制造和工程结合在一起进行。”
汽车等许多行业已广泛使用数字孪生来构建机械系统。“变化是，人们正在将所有这些转变为使用电子产品的产品，”Synopsys产品管理和应用工程副总裁Marc Serughetti表示，“他们使用电子产品是因为从能源角度来看它更高效、安全，或者具有升级能力。所有这些产品都在向电子产品发展，更重要的是，向软件定义产品发展。这使他们能够改变功能，并在这个全新的商业模式中引入新的动能。这就是市场的趋势——软件定义产品。因此，从这个角度考虑数字孪生，如果所有这些都是用电子产品完成的，为什么我们不在电子产品中加入数字孪生部分呢？如何将这些东西引入非常重要。所有这些都属于一个控制系统市场，在这个市场中，你正在观察物理世界中的某样东西并试图控制它。如果你想验证或了解正在发生的事情，这意味着你必须在系统环境中模拟电子设备。”
数字孪生还为架构探索打开了大门，工程团队可以同时检查多个事物，了解它们如何协同运行，以及如果架构的某个部分发生变化会出现什么。
“上一次我们在EDA中使用实体产品是Rubylith，但自那以后一切变成了虚拟和数字化的，”Siemens EDA产品营销总监Neil Hand表示。“我们已经从特定领域的数字孪生发展到更具包容性的数字孪生，并且我们在制造业中建立了联系，规模越来越大。现在我们已拥有芯片级的数字孪生，然后是3D-IC，它开始将机械和热引入其中，我们将进入产品级。权衡是时刻存在的，假设今天有一个好情况，即有人想为一个独特的应用做一个定制的半导体。你是一家系统公司，你拥有世界上所有的钱，你颇具耐心。架构已经搭建，还需编写一个规范交给IC组。你正在努力地沿着“V”走下去，每个人都在做出努力。然后你把它们重新组合在一起，希望它能正常工作。一旦我们拥有了更加互联、完全可互操作的数字孪生，你就可以开始做出权衡了。”
图片：使用数字孪生方法进行产品生命周期管理。来源:Siemens EDA
这是一次巨大的转变，由海量优质的数据以及显著增强的计算能力推动。“这将是一场进化，但同时也是一场革命，因为现在我们必须引入电子产品，而电子产品突然占了全部产品的50%，”Serughetti说道。“你不能忽视这一部分，在某种系统中连接这两个世界至关重要。我们在汽车行业也发现了这一点。今天，每个人都在谈论汽车，但它也发生在航空航天和国防以及工业领域。在电子产品中，你要做的事情有三件。你在控制某物，你在发送信息，或者你通过UI将信息传达给某人。这些是基本功能，我们必须以安全的方式做到这一点。在这种情况下，你如何验证所有这些事情，尤其是电子部件？”
数字孪生和shift left
EDA公司一致认为，数字孪生对于多行业领域的进步必不可少。“你必须拥有数字孪生，”Siemens EDA产品管理总监John Ferguson说。“没有它，你实现目标就是盲目的，没有shift left策略（是指在开发流程的早期发现并修复错误，而不是在发布后的测试期间再发现错误），你就无法做到这一点。它们相辅相成。当涉及到系统设计时——特别是在3D中，以及涉及多物理场的3D方面，情况会变得特别棘手，因为所有事物之间都有相互依赖性。
这里的基本概念并不新鲜。“我们提出数字孪生这个概念已经有一段时间了，它们过去被划分为可以独立处理的方面，现在我们不能再这样做了，”弗格森说。“热影响应力。力和热影响电气行为。但电气行为会反作用于热。这给数字孪生带来了额外的负担，你无法避免从这个角度看待世界，在这种视角下，你要了解错综复杂的相互作用，并在过程中考虑到它们。这也意味着它的shift left。它不再只是‘一劳永逸’了，你必须把所有事情都考虑在一起。这就是我们在这里试图解开的整个概念。”
Cadence的Hess列举最近推动更高性能HBM和AI数据中心扩展的例子。“这些高带宽存储器从几层增加到12层。这些分层电子设备需要供电，而电力会产生热量。我们需要了解热量，因此必须解决在此过程中发现的热完整性问题。但电子热问题只是相互依赖链中的第一张多米诺骨牌。这些堆叠设备的供电引起热应力或翘曲怎么办？随着电子设备的使用温度不断升高和降低，这又会如何导致机械应力甚至材料疲劳？这只是众多例子中的一个。”
数字孪生对于芯片的采用也至关重要，其中可以交换不同的芯片以确定对多芯片系统行为的影响。
Alphawave Semi首席技术官Tony Chan Carusone表示：“目前正在为下一代AI加速器、CPU和网络芯片开发新的多芯片设计。这些设计将最新的CMOS逻辑技术与内存和连接芯片集成在一起，有时还会集成额外的外围芯片，所有这些都集成在同一封装中。它们突破了散热、信号完整性、电源完整性、机械可靠性和逻辑性能的极限。每个因素都可能相互作用并影响，这使得优化设计变得具有挑战性。例如，信号完整性的改善可能会损害机械稳定性，为了提高性能而重新划分芯片间的逻辑可能会导致局部加热问题，从而影响可靠性。”
值得注意的是，数字孪生是动态过程的一部分。“这不是一个单一的步骤，”Ansys首席产品经理Lang Lin指出。“在芯片仿真中，我们从仿真中获得所有数据。但对于制造过程，情况有所不同。首先，准备好基板并开始在其上焊接另一个基板，然后将温度升高到大约300度以将两个芯片连接在一起，冷却下来后开始退火过程，温度降至大概零下40度，接下来再将更多芯片放在另一个芯片上。数字孪生是一个很好的概念，可以逐一模拟每个步骤。它必须捕获每个步骤结束时的状态并将其用作下一步的初始条件，这对我们的传统模拟工具提出了挑战。”
这与传统汽车或飞机等机械过程的模拟截然不同。“你将机械部件组装在一起，发动机开始运转，然后你要查看是否有任何翘曲或机械故障，”Lin说。“但那是过去的事情了。过去，我们处理的尺寸超过毫米级，是米级，甚至是好几米。现在我们已经缩小到纳米级别，这就需要新的机械建模方法和新的材料科学来构建解决方案。目前最先进的机械模拟能够深入到微米级别。比如说两个芯片相互连接，也许凸点间距约为40微米。你对凸点或微凸点进行建模——成千上万甚至数百万个。通过在微米级别构建整个模型，你可以看到连接问题。在接下来的五年里，问题会出现在芯片内部，比如你需要查看Metal-1、Metal-2、Via-3的结构，还有我这里的小晶体管，这是纳米级别的层面。我们与代工厂紧密合作，实现这种机械模拟。这完全处于前沿领域。最终，你期望从你的小型模拟引擎或图形用户界面中看到过孔、硅通孔和电线的结构模型。你将会看到这些结构。”
用于数字孪生/系统协同设计的EDA工具
要使所有这些工作都发挥作用，需要对EDA工具进行一些改进。当今的EDA工具如何实现数字孪生/系统协同设计的全部功能？
Synopsys的Serughetti表示，在这种情况下，首先要考虑的是需要什么，以及要解决的问题是什么。“如果我有一个超快的RTL仿真，可以让我运行Android或其他软件堆栈，并在10秒内执行该仿真以启动Android，那该有多好？不幸的是，这不是现实，”他说。
“我们从事仿真工作多年，都知道有两种范式——抽象和性能。这两者不太合拍。如果太精确，速度就不够快。如果速度快，就不够精确。如果你看技术类型，范围从有其自身用途的RTL模拟、仿真，一直到虚拟ECU，在虚拟ECU中，硬件几乎可以抽象为只接收CAD消息。这就是我所关心的。这是对硬件的一种表示，表示非常抽象的扫描可以运行得非常快。但是对于试图查看CAN驱动程序或CAN接口是否有问题的工程师来说，这还不够好，不够准确。”
解决方案是更好的数据集成。“这一领域存在大量正在相互连接的技术，”Serughetti说。“因此，用例变得极其重要。你将有专注于性能和功率验证的人员，但他们不能在高度抽象的模型上进行验证，需要一个能运行够多够快软件的仿真平台来验证。而另一种工程师则专注于在该环境中测试应用软件，他们并不需要关心底层硬件，这样他们就可以用软件抽象的方式来表示电子产品。”
为了实现这一切，各种工具也需要协同工作。
“这是关键所在，因为这些事情错综复杂，”Siemens的Ferguson说道。“我们没有办法一次性解决所有问题。你必须反复尝试。我们每次都必须采用多重解决方案，这非常具有挑战性，也非常困难。你该怎么做？你该如何同时以一致的方式处理你需要关注的所有方面？这非常令人生畏。”
Ferguson认为，半导体设计生态系统在识别尚待解决的问题中做得更好，但整合方面需要改进。“我们如何将它们结合在一起？我们如何才能让每个人都同意将这些东西结合在一起？如果每个人都有解决方案，但每个解决方案都给出了不同的答案，那么我们就处于不利地位。尽管如此，所有EDA提供商都在整合他们的解决方案，但很难认定什么是正确的答案。”
通常，芯片制造商会将测试结果与已在市场上销售一段时间的产品进行比较。“你使用了一段时间，没有看到它出现严重故障，并不意味着它就是准确的，”Ferguson说。“有时这是一个非常棘手的情况。你必须确定什么是黄金标准。你可以用很多不同的方法对硅片进行测量。你可以测量硅片的温度，可以测量硅片的应力，可以测量硅片的电气行为。但所有这些都存在内在的不准确性，因为你的芯片在晶圆上的行为和波动，你可能会得到一批不合格的产品。你怎么知道这是要出问题的芯片，而不是同一晶圆或不同晶圆批次上的另一个芯片？我们都处于这种茫然的崭新阶段，我们得到的答案可能不是完全不同的，但仍有差异，你如何决定要依赖哪一个？我不知道我们如何解决这方面的问题。最终，这取决于你的制造商。他们决定什么是他们的参考或黄金标准，你必须相信他们正在做正确的工作，无论什么工具，只要符合他们的精度要求并且经过认证，都要使用它，但仍然要做好防备。一路上我们可能都错过了一些东西，我们要重新回到绘图板上。”
大局观
芯片行业认识到数字孪生的价值，特别是在先进节点和与特定领域相关的异构组件中。现在的挑战是优化所有工具，使其以更快的速度协同工作，同时保持与过去相同或更好的准确性。
Keysight的Leroy表示：“我们从客户那里看到，目前更多的是模拟和人工智能之间的协作。我们经常谈论混合人工智能和混合数字孪生以及加速模拟，但模拟的民主决策实际上来自于人工智能和模拟的混合。我们不想像过去那样从零开始，获取大数据，投入大量人工智能，然后就不再关心物理了。你想要拥有智能数据，所以你需要物理，然后用数据和人工智能来增强它，以做出正确的决策。”
这一切都发生在电气、机械和CFD的融合中。Alphawave的Chan Carusone认为，随着数字孪生技术的全面实现，将有可能全面审视复杂的芯片设计，从而实现成本、功率、性能和可靠性的共同优化。但从当下到未来，还需要大量工作才能实现这一目标。
