Du rullar på nätet och bilden stoppar dig i dina spår, tar tag i dig, fängslar dig. Glittrande chokladbitar, bestämt men ändå långsamt, sipprar ner i en fuktig brownie med en krispig till perfektion, pudrad topping. Den sitter där, självsäker och flagnar lat på en benvit porslinsplatta. Det ser utsökt ut – aptitretande – och tydligen kan du göra det med bara en investering på 30 minuter!

Det låter enkelt: några ingredienser, ett par skålar och en välsmord bakplåt. Men du vet, och vi vet alla, det är en lögn. Det har alltid varit en lögn! Det här är ingen 30-minutersinvestering. Det är förberedelsen, mjölsiktningen och att gå till affären för att hämta de halvsöta chokladbitarna som du trodde att du hade men för ditt liv inte kan hitta (även om du hittar dem imorgon). Den 30 minuter långa drömmen är nu ett halvdags "äventyr" av bilkörning, sökande, besvikelse och frustration som i slutändan leder till att du nöjer dig med "vad du än kan uppbåda" - och en sorglig ursäkt för en brownie.

Det kan tyckas vara ett språng – ett mycket mindre chokladigt och drömskt godhetscentrerat sådant – men design-implementeringsfelsöknings- och optimeringsprocessen fungerar på exakt samma sätt!

Vad som verkar vara en enkel felsökningsövning i varför ett block inte är implementerbart med dina önskade kraft-, prestations- och areamål (PPA) förvandlas mycket snabbt till en hårresande prövning. Du försöker komma runt det olyckliga faktum att du inte fångat upp all data du behöver, och det är en 24-timmars vändning (eller mer) för att få den. Efter fem timmars upprepade försök att designa mellan raderna visar det sig att de där halvsöta chokladbitarna definitivt inte finns där. Du måste bita ihop och gå och hämta den information du behöver. Och sedan kanske göra det igen. Och kanske igen.

Så här har designfelsökning och optimering alltid fungerat. Och du har alltid i allmänhet slutat med mindre läckra, mindre krispiga, mindre ljuvliga brownies gjorda av vad du än kunde uppbringa. Men det behöver inte vara så här. Vad du behöver är en följeslagare som kommer att förbereda allt du behöver för en äkta 30-minuters bakning, samla och analysera big data-ingredienserna längs vägen.

Din outtröttliga förberedare

Den här hjälpen handlar om de fem Ps: "Rätt förberedelse förhindrar dålig prestation." Det är en alltid-på, alltid redo design-data följeslagare som förbereder all data som du kan behöva, ifall du gör det. Den kombinerar branschstandarddatabaser med Synopsys unika enstaka datamodell och ger en bred och konsekvent bild av all din designdata så att du aldrig behöver söka igen. Det är en autonom agent som ständigt fångar alla designaktiviteter som du gör om du en dag skulle behöva det. Och oj, vad ofta du gör det.

Nyckeln är att du kan oroa dig mer för processen att laga en design och mindre om vad som ingår i den. Din följeslagare ger utan ansträngning fokus och effektivitet till processen för felsökning och optimering. Den sammanställer en levande, konfigurerbar och filtrerbar ensemble av big data som kan formas och omvandlas till det som fungerar bäst för dig. Och om du vill dela din data? Kanske visa någon var du kämpar, eller kanske visa dem ett snyggt sätt att visualisera något? Det är bara några klick och en länkdelning bort.

Det är som om någon vet vad du vill laga och förbereder alla ingredienser i de där mätta, små små ramekinerna, så att du aldrig behöver tänka på det och kan fortsätta med matlagningen, jag menar designa.

Din lärare

Varför händer det här? Detta är den ständiga frågan när man felsöker en design. Även om du vet vad händer, förståelse varför, är inte bara ett litet nästa steg utan ofta ett mycket större språng i den övergripande processen. Var det något du gjorde? Något du inte gjorde? Något medfödd i designen eller något som är endemiskt för din metodik som kommer att dyka upp i många designs på denna teknik?

Förstå varför kommer från att sätta ihop många delar av vad (ange att din design är i), syntetiserar det med grundläggande aspekter av själva designen och målteknologiprocessen, blandar in några kompletterande begränsningar som testbarhet och verifierbarhet, och hoppas att något orsakssamband kan extraheras. Orsaken kan vara logikstil, klockor, planlösningsrelaterad trafikstockning, eller kanske alla (eller inga) av dessa.

Att ersätta halvsöta bitar av kakaochoklad med 90 % kommer att innebära att du måste öka sockret för att kompensera för bitterheten, och designen fungerar ungefär på samma sätt. Vad du kan anta är en likvärdig del av logik eller makrokonfiguration kan behöva lite övertalning för att få det att fungera och att veta vad det övertalande är kan ibland vara svårt.

Din pålitliga följeslagare är din lärare, som använder big data och analyser för att veta hur design fungerar; där för att leda dig i felsökningsprocessen och hjälpa dig att komma till de verkliga grundorsakerna till problem mycket, mycket snabbare. Din följeslagare gör allt detta tunga lyft, vilket gör data helt korssannolika, allt i bekvämligheten av en webbläsare och utan att behöva öppna dussintals designdatabaser individuellt under processen. Över projekt, över design, över block, över alla stadier av flödet, kan data tas till uppgift för att visa vad du än behöver för att ge dig det steget att veta vad du ska göra härnäst. Är denna design helt enkelt inte konvergerbar alls? Behöver det bara bättre arkitektoniska val under syntesen? Måste överhörningen du bakade in med den här nya planlösningen lindras innan den här designen stängs? Alla dessa frågor kan besvaras med kraften i big data och den djupa datainsikten som din följeslagare ger.

Din souschef

Du är den kreativa kraften i designprocessen, men vem skulle inte vilja ha ytterligare en säker uppsättning händer som inte bara kan förbereda och analysera med de bästa av dem, utan som också har en egen karaktär och designkänsla? Denna karaktär är formad från den kunskap som byggts upp inte bara från denna design, utan potentiellt varje design som ditt team eller hela företaget någonsin har gjort tillsammans. Gå in i steget till vänster, maskininlärning aktiverad med big-data och din kompanjons förutsägande och föreskrivande analysförmåga.

Föreställ dig att du hade en designkompis som kunde ta felsökningen till nästa nivå genom att föreslå flera recept – förbrukningsbara verktygsrecept (Tcl-skript) – som kan hjälpa till att avslöja outnyttjad PPA i din design. Föreställ dig sedan att dessa recept skulle förbättras med tiden baserat på en intim kunskap om ditt teams designstil och specifika strukturella eller processrelaterade utmaningar. Och föreställ dig sedan att du kan utnyttja all analysdata du någonsin skapat och utöka systemet ytterligare med dina egna recept och idéer – ett helt programmerbart sätt att utnyttja och skapa en verkligt datadriven designprocess. Tja, föreställ dig inte mer.

Med din följeslagare vid din sida är det som om två bästa kompisar (plus alla lagkamrater du vill ta med dig) åker på en världsomspännande matlagningsodyssé för att prova allt det bästa som kom innan och sedan skapa nya versioner av det bästa, varje steg på vägen.

Serverar en läcker produktivitetshöjning

Synopsys DesignDash är din idealiska följeslagare för den utmanande uppgiften att baka den perfekta designen på den annonserade (eller bättre!) tiden. Dess unika sammansättning av big-data-system, designcentrerad datavetenskap och maskininlärning adresserar din designprocess holistiskt. Den är också tätt integrerad med Synopsys Digital Design Family, vilket möjliggör mycket djupare nivåer av insikt än datarapporteringsextraktion ensam någonsin skulle kunna erbjuda, så att ni tillsammans kan skriva den ultimata receptboken.

Eftersom produktiviteten utmanas längs så många vektorer, hjälper DesignDashs förmåga att tillföra effektivitet och effektivitet till ditt team på ett så omfattande sätt inte bara att leverera nya framsteg i ditt designutrymme, utan hjälper också till att göra alla till en smartare kaka, så att du kan samla massor av browniepoäng längs vägen.