PT 的power eco 一直深得码农推崇，因为他够准，基本不伤timing, 而且eco的方式多种多样 ，可以基于area based 去做，这就不需要update power，也可以基于saif读入的方式去做，这需要update power, 还可以只换VT不改size,也可以同时downsize 并且替换vt,并且支持 physical aware去替换，减少对base layer DRC的冲击
但它有个问题，那就是相对比timing eco 要慢，因为修改一个cell就要考虑穿过这个cell的timing 有没有变差，复杂的电路结构可能会trigger很多条timing path 的时序预估，如果再考虑到PBA MODE的话那就只有慢慢等待了。试想，如果在初始修的时候，能借助机器学习记录修改的电路模型，在做完特定ECO后时序又变成怎样，那么在下一次eco的时候完全就可以套用这个model，实现加快ECO的目的。这里机器学习会记录你的电路的各种特征，比如transition, load, slack, driving strength等等，然后再抽取特征值，使用特定的神经网络算法公式，再在相似的电路去infer ECO change。
使用方法
比较简单，只要大家在2018.06之后的版本，在ECO之前设置
set trainig_data_directory $ML_DIR
就可以记录生成training model,下一次还是使用这个命令指定到上次你生成的MODEL目录，工具就会在相似的电路上去加快速度了。不过大家注意两次ECO的command最好一样，这样inferring 的覆盖率才会比较高。
原文：https://www.cnblogs.com/lelin/p/12582298.html