分子领域来说吧，
首先是模拟和射频领域，一个是模拟射频电路设计的全自动化，用深度学习来实现from spec to layout的一站式生成，不过这件事遇到了模拟工程师的大力反对，导致没人愿意提供数据磨，所以看起来还比较长远。不过在其中一些局部，比如有源器件建模，spice仿真中的步长预测，还有一些high Q电路，比如射频滤波器的自动生成方面，机器学习已经替代了不少旧工具。
然后是数字领域，synopsys去年已经推出了利用深度学习的高层次综合工具fusion compiler，效率比传统的rtl code到逻辑综合高太多了，只是碍于用户习惯还得推进一段时间。另外基本数字单元库，memory IP库的生成等方面，都可以利用机器学习加速，市面上也有了一些产品。
在制造eda领域，像opc，逆opc等工具，现在的主流发展方向，都是用ai结合大数据云计算，打磨光刻model，进而打磨opc工具。另外在良率检查和提升方面，像KLA的hotspot inspection工具，已经大量采用了深度学习辅助图像识别的技术。
可惜的是eda这种技术市场容量太小，太底层，一般的ai公司看不上！
※ 修改:·JavaGuyHan 于 Nov  5 18:55:27 2022 修改本文·[FROM: 223.104.212.*]
※ 来源:·水木社区 http://m.mysmth.net·[FROM: 223.104.210.*]

修改:JavaGuyHan FROM 223.104.212.*
FROM 223.104.210.*

总结的不错，多谢！

【 在 JavaGuyHan 的大作中提到: 】
: 分子领域来说吧，
: 首先是模拟和射频领域，一个是模拟射频电路设计的全自动化，用深度学习来实现from spec to layout的一站式生成，不过这件事遇到了模拟工程师的大力反对，导致没人愿意提供数据磨，所以看起来还比较长远。不过在其中一些局部，比如有源器件建模，spice仿真中的步长预测，还有一些high Q电路，比如射频滤波器的自动生成方面，机器学习已经替代了不少旧工具。
: 然后是数字领域，synopsys去年已经推出了利用深度学习的高层次综合工具fusion compiler，效率比传统的rtl code到逻辑综合高太多了，只是碍于用户习惯还得推进一段时间。另外基本数字单元库，memory IP库的生成等方面，都可以利用机器学习加速，市面上也有了一些产品。
: ...................
--
FROM 36.43.234.*

EDA市场太少，工具链的替换和更新，体现不了AI的应用。
【 在 JavaGuyHan 的大作中提到: 】
: 分子领域来说吧，
: 首先是模拟和射频领域，一个是模拟射频电路设计的全自动化，用深度学习来实现from spec to layout的一站式生成，不过这件事遇到了模拟工程师的大力反对，导致没人愿意提供数据磨，所以看起来还比较长远。不过在其中一些局部，比如有源器件建模，spice仿真中的步长预测，还有一些high Q电路，比如射频滤波器的自动生成方面，机器学习已经替代了不少旧工具。
: 然后是数字领域，synopsys去年已经推出了利用深度学习的高层次综合工具fusion compiler，效率比传统的rtl code到逻辑综合高太多了，只是碍于用户习惯还得推进一段时间。另外基本数字单元库，memory IP库的生成等方面，都可以利用机器学习加速，市面上也有了一些产品。
: ...................
--
FROM 139.227.252.*

第一个模拟射频领域我可以做
我是正经科班出生搞模拟的，现在转行搞算法了
谁有思路可以联系我，一块儿搞。

【 在 JavaGuyHan 的大作中提到: 】
: 分子领域来说吧，
: 首先是模拟和射频领域，一个是模拟射频电路设计的全自动化，用深度学习来实现from spec to layout的一站式生成，不过这件事遇到了模拟工程师的大力反对，导致没人愿意提供数据磨，所以看起来还比较长远。不过在其中一些局部，比如有源器件建模，spice仿真中的步长预测，还有一些high Q电路，比如射频滤波器的自动生成方面，机器学习已经替代了不少旧工具。
: 然后是数字领域，synopsys去年已经推出了利用深度学习的高层次综合工具fusion compiler，效率比传统的rtl code到逻辑综合高太多了，只是碍于用户习惯还得推进一段时间。另外基本数字单元库，memory IP库的生成等方面，都可以利用机器学习加速，市面上也有了一些产品。
: ...................
--
FROM 1.203.145.*