芯片設(shè)計(jì)的目標(biāo)一直是優(yōu)化功耗、性能和面積 (PPA)，但即使使用最好的工具和經(jīng)驗(yàn)豐富的工程團(tuán)隊(duì)，結(jié)果也會(huì)有很大差異。

優(yōu)化PPA涉及越來(lái)越多的權(quán)衡，這些權(quán)衡可能因應(yīng)用、IP 和其他組件的可用性以及工程師對(duì)不同工具和方法的熟悉程度而異。例如，可以使用更大的處理器實(shí)現(xiàn)更高的性能，但也可以使用更小、更專(zhuān)業(yè)的處理元件以及更緊密的硬件和軟件集成來(lái)實(shí)現(xiàn)。因此，即使在相同的區(qū)域和相同的功率預(yù)算下，也有不同的方法可以實(shí)現(xiàn)相同的目標(biāo)，并且最佳組合可能會(huì)因特定領(lǐng)域或供應(yīng)商的需求而異。

由于對(duì)安全性的需求不斷增加，這變得更加復(fù)雜。根據(jù)設(shè)計(jì)的關(guān)鍵程度，安全性可以是主動(dòng)的也可以是被動(dòng)的，這會(huì)影響功率和性能。它會(huì)影響 IC 制造成本、上市時(shí)間、交貨時(shí)間和供應(yīng)商競(jìng)爭(zhēng)力。

為了對(duì)所有這些可能的排列進(jìn)行排序，EDA 供應(yīng)商越來(lái)越多地尋求 AI/ML，將各種 AI 功能集成到工具流中。正如麻省理工學(xué)院和德克薩斯大學(xué)奧斯汀分校的研究人員在最近的一篇論文中所報(bào)告的那樣，迄今為止的結(jié)果是有希望的。研究人員得出的結(jié)論是，深度強(qiáng)化學(xué)習(xí)（深度 RL 算法）工具在某些任務(wù)上可以勝過(guò)人類(lèi)。

在六小時(shí)的實(shí)驗(yàn)中，研究人員將使用強(qiáng)化學(xué)習(xí)的圖卷積神經(jīng)網(wǎng)絡(luò)方法與其他技術(shù)進(jìn)行了匹配，包括傳統(tǒng)的黑盒優(yōu)化方法（貝葉斯優(yōu)化、進(jìn)化算法）、隨機(jī)搜索以及具有五年經(jīng)驗(yàn)的人類(lèi)專(zhuān)家設(shè)計(jì)師。經(jīng)驗(yàn)。實(shí)驗(yàn)得出結(jié)論，帶有遷移學(xué)習(xí)的強(qiáng)化學(xué)習(xí)可以取得更好的效果。換句話(huà)說(shuō)，基于人工智能的工具可以使晶體管尺寸和設(shè)計(jì)移植更加有效和高效。（表四）。

今天，包括谷歌、英偉達(dá)、新思科技、Cadence、三星和西門(mén)子在內(nèi)的許多公司都已經(jīng)開(kāi)始或預(yù)計(jì)在芯片設(shè)計(jì)中使用人工智能。

人工智能將如何改變芯片設(shè)計(jì)格局？
直到最近，人們?cè)陔娐泛瓦壿嬙O(shè)計(jì)、布線(xiàn)、布局、仿真和驗(yàn)證中使用各種自動(dòng)化設(shè)計(jì)工具來(lái)設(shè)計(jì)芯片，以最大限度地減少錯(cuò)誤，同時(shí)減少時(shí)間和成本。該過(guò)程可能非常乏味且耗時(shí)。

半導(dǎo)體設(shè)計(jì)流程中的各個(gè)步驟。資料來(lái)源：eInfochips

設(shè)計(jì)芯片有很多步驟。該過(guò)程從芯片規(guī)范或架構(gòu)定義開(kāi)始，然后是設(shè)計(jì)流程中的各個(gè)步驟。在設(shè)計(jì)團(tuán)隊(duì)簽字后，圖形設(shè)計(jì)系統(tǒng) (GDS II) 文件將發(fā)送到代工廠(chǎng)。

當(dāng)摩爾定律被用作主要指導(dǎo)時(shí)，這個(gè)過(guò)程得到了微調(diào)。但隨著 finFET 時(shí)代微縮的好處開(kāi)始減弱，芯片制造商開(kāi)始尋找新的方法來(lái)實(shí)現(xiàn) PPA 改進(jìn)。這顯著增加了設(shè)計(jì)復(fù)雜性，使得按時(shí)按預(yù)算交付工作芯片變得更加困難。

“設(shè)計(jì) 28nm 芯片的平均成本為 4000 萬(wàn)美元，”國(guó)際商業(yè)戰(zhàn)略 (IBS) 首席執(zhí)行官漢德?tīng)柇偹拐f(shuō)?！跋啾戎拢O(shè)計(jì)一個(gè) 7nm 芯片的成本是 2.17 億美元，設(shè)計(jì)一個(gè) 5nm 器件的成本是 4.16 億美元。3nm 設(shè)計(jì)將耗資高達(dá) 5.9 億美元?！?/span>

此外，雖然每個(gè)新節(jié)點(diǎn)的晶體管數(shù)量已從數(shù)千個(gè)增加到數(shù)十億個(gè)，但這些設(shè)計(jì)的異構(gòu)性越來(lái)越高，而且它們通常涉及某種形式的先進(jìn)封裝?，F(xiàn)在，不僅僅是將更多的晶體管塞進(jìn)同一空間，還有一些問(wèn)題需要解決，包括功率密度、散熱、各種類(lèi)型的機(jī)械和電氣應(yīng)力、鄰近效應(yīng)以及可能影響整體芯片行為的環(huán)境問(wèn)題。所有這些都增加了設(shè)計(jì)過(guò)程的時(shí)間，進(jìn)而增加了成本。更糟糕的是，芯片制造商在更短的時(shí)間內(nèi)推出先進(jìn)節(jié)點(diǎn)設(shè)計(jì)的持續(xù)壓力可能會(huì)導(dǎo)致代價(jià)高昂的錯(cuò)誤。

通過(guò) AI 提高效率

將 AI添加到芯片設(shè)計(jì)中有助于管理復(fù)雜性、減少錯(cuò)誤并縮短開(kāi)發(fā)周期。例如，在芯片設(shè)計(jì)中使用傳統(tǒng)工具進(jìn)行布線(xiàn)可以自動(dòng)化 90% 的工作。仍然需要一位經(jīng)驗(yàn)豐富的設(shè)計(jì)師來(lái)完成最后 10% 的工作，最終可能會(huì)比 PPA 優(yōu)化更關(guān)注將功能芯片推出市場(chǎng)。人工智能可以減少花在最后 10% 上的時(shí)間。

人工智能的作用越來(lái)越大。資料來(lái)源：寒武紀(jì)人工智能研究

“一切都與效率有關(guān)，” Rambus的研究員和杰出發(fā)明家 Steven Woo 說(shuō)?！氨举|(zhì)上，人類(lèi)設(shè)計(jì)師使用工具來(lái)實(shí)現(xiàn)優(yōu)化。但人工智能可以在更少的周期內(nèi)使其更快。可以為 AI 引擎提供預(yù)設(shè)規(guī)則以實(shí)現(xiàn)更好的推理。應(yīng)用強(qiáng)化學(xué)習(xí)規(guī)則，基于人工智能的設(shè)計(jì)工具會(huì)越來(lái)越好。它將幫助設(shè)計(jì)人員隨著時(shí)間的推移實(shí)現(xiàn)幾乎無(wú)錯(cuò)誤的解決方案，優(yōu)化 PPA 的效率比人類(lèi)單獨(dú)可以達(dá)到的效果更好。此外，由于速度就是一切，因此考慮芯片到芯片的內(nèi)存速度也很重要，因?yàn)?AI 需要快速訪(fǎng)問(wèn)大型數(shù)據(jù)庫(kù)。”

其他人同意。“人工智能將進(jìn)一步自動(dòng)化芯片設(shè)計(jì)，尤其是在布局過(guò)程中。已經(jīng)證明，在模擬電路設(shè)計(jì)中使用機(jī)器學(xué)習(xí)已經(jīng)提高了生產(chǎn)力。在布局上，機(jī)器學(xué)習(xí)將用于建議 finFET 節(jié)點(diǎn)中的最佳器件布局，以最大限度地減少互連寄生效應(yīng)。當(dāng)芯片設(shè)計(jì)涉及加速度計(jì)和陀螺儀等 MEMS 時(shí)。人工智能可用于參數(shù)化設(shè)計(jì)流程，以共同設(shè)計(jì) IC 和 MEMS 器件。與使用傳統(tǒng)設(shè)計(jì)流程相比，這將使設(shè)計(jì)人員能夠更快地集成 MEMS、IC 和軟件，從而使設(shè)計(jì)人員的工作更加輕松，” Siemens Digital Industries Software的 IC 設(shè)計(jì)部門(mén)產(chǎn)品工程總監(jiān) John Stabenow 評(píng)論道。

人工智能如何學(xué)習(xí)
人工智能機(jī)器可以在很短的時(shí)間內(nèi)在模式識(shí)別和匹配方面做得比人類(lèi)好得多。AI 不會(huì)從零開(kāi)始學(xué)習(xí)。在大多數(shù)情況下，AI 代理（處理器）將被預(yù)先訓(xùn)練或輸入大量數(shù)據(jù)，例如 15,000 個(gè)平面規(guī)劃樣本。至此，人工智能算法已經(jīng)包含了一些智能。

此外，人工智能將利用強(qiáng)化學(xué)習(xí) (RL) 來(lái)優(yōu)化結(jié)果。RL 是一種機(jī)器學(xué)習(xí)技術(shù)，可幫助代理根據(jù)自身經(jīng)驗(yàn)通過(guò)反復(fù)試驗(yàn)在其交互環(huán)境中進(jìn)行學(xué)習(xí)。該過(guò)程使用獎(jiǎng)勵(lì)和懲罰模型。AI 模型將從初始狀態(tài)（輸入）開(kāi)始，并提供某些結(jié)果（輸出）。

然后設(shè)計(jì)師將獎(jiǎng)勵(lì)或懲罰模型。該模型將根據(jù)獲得的最大獎(jiǎng)勵(lì)不斷學(xué)習(xí)并提供最佳結(jié)果。當(dāng)工程師接受 AI 模型的建議時(shí)，AI 模型會(huì)將其視為獎(jiǎng)勵(lì)。相反，當(dāng)工程師因?yàn)檎J(rèn)為有更好的解決方案而拒絕或否決了 AI 建議時(shí)，AI 模型會(huì)將其視為一種懲罰。RL 學(xué)習(xí)過(guò)程繼續(xù)進(jìn)行。隨著時(shí)間的推移，人工智能模型變得越來(lái)越好。

“機(jī)器學(xué)習(xí)是 AI 的一個(gè)子集，指的是機(jī)器在無(wú)需外部編程的情況下進(jìn)行思考的能力，”Siemens Digital Industries Software 高級(jí)副總裁兼總經(jīng)理 Ravi Subramanian 說(shuō)?！皞鹘y(tǒng)的設(shè)備被編成了一套關(guān)于如何行動(dòng)的規(guī)則，然后采取 if-then-else 語(yǔ)句的形式。但機(jī)器學(xué)習(xí)使設(shè)備能夠不斷思考如何根據(jù)它們接收的數(shù)據(jù)采取行動(dòng)?！?/span>

Subramanian 說(shuō)，要讓 AI 學(xué)習(xí)，需要三件事：

• 一個(gè)數(shù)據(jù)池，即數(shù)據(jù)湖。它可以采用 RTL IP、GDSII、C 代碼或 SPICE 網(wǎng)表的形式。
• 一種模型，是基于 AI 的系統(tǒng)能夠適應(yīng)、學(xué)習(xí)、即興發(fā)揮和概括自身，因此它可以根據(jù)新的輸入而不是來(lái)自數(shù)據(jù)湖的輸入進(jìn)行預(yù)測(cè)。
• 必須存在基于某個(gè)度量的決策函數(shù)，并且基于實(shí)現(xiàn)該度量的獎(jiǎng)勵(lì)機(jī)制應(yīng)該是可靠的。

“人工智能本身并不做決定，”他解釋說(shuō)?！叭斯ぶ悄苁顷P(guān)于系統(tǒng)在新環(huán)境中適應(yīng)和即興發(fā)揮、概括其知識(shí)并將其應(yīng)用于陌生場(chǎng)景的能力。這個(gè)定義來(lái)自谷歌人工智能研究負(fù)責(zé)人 Francois Chollet。”

人工智能指標(biāo)
與汽車(chē)不同，汽車(chē)有標(biāo)準(zhǔn)的方法來(lái)衡量每加侖英里數(shù)或每次充電的距離，沒(méi)有標(biāo)準(zhǔn)的方法來(lái)衡量使用人工智能的結(jié)果。每個(gè)設(shè)計(jì)都是獨(dú)一無(wú)二的，使用的工具也各不相同。然而，整個(gè)行業(yè)都報(bào)告說(shuō)使用基于人工智能的芯片設(shè)計(jì)工具提高了生產(chǎn)力。

例如，谷歌將人工智能應(yīng)用于平面規(guī)劃，并發(fā)現(xiàn)他們可以在不到六個(gè)小時(shí)的時(shí)間內(nèi)完成以前工程師幾個(gè)月才能完成的工作。兩者都通過(guò) PPA 優(yōu)化提供了可制造芯片的結(jié)果，但使用人工智能顯著提高了生產(chǎn)力。

“將人工智能添加到芯片設(shè)計(jì)過(guò)程中肯定會(huì)提高其效率，” Cadence數(shù)字與簽核集團(tuán)產(chǎn)品管理組總監(jiān) Rod Metcalfe 說(shuō)。“例如，使用 AI 的 5nm 移動(dòng) CPU 可以提高 14% 的性能，提高 7% 的泄漏功率和 5% 的密度。這可能很重要?！?/span>

這些改進(jìn)在其他應(yīng)用程序中得到了體現(xiàn)。Synopsys人工智能解決方案高級(jí)總監(jiān) Stelios Diamantidis 表示：“使用基于 AI 的設(shè)計(jì)技術(shù)，我們的客戶(hù)表示他們能夠顯著降低功耗 - 與手動(dòng)調(diào)整相比高達(dá) 25% 或更多。 ” “這種對(duì)已經(jīng)優(yōu)化設(shè)計(jì)的改進(jìn)是驚人的?！?/span>

芯片設(shè)計(jì)中人工智能的未來(lái)

將10 億個(gè)晶體管擠入一個(gè)芯片對(duì)大多數(shù)人來(lái)說(shuō)是不可想象的。但在 2021 年 6 月，Synopsys 報(bào)告稱(chēng)，其迄今為止制造的最大芯片擁有 1.2 萬(wàn)億個(gè)晶體管和 400,000 個(gè) AI 優(yōu)化內(nèi)核，面積為 46,225 平方毫米。使用傳統(tǒng)設(shè)計(jì)工具的人類(lèi)設(shè)計(jì)師幾乎不可能設(shè)計(jì)出這種尺寸的芯片。

Cambrian AI Research 創(chuàng)始人兼首席分析師 Karl Freund 表示：“使用 AI 來(lái)加速和優(yōu)化芯片設(shè)計(jì)的好處現(xiàn)在已成定局，至少就主要芯片供應(yīng)商而言。” “像 Synopsys DSO.AI 這樣的系統(tǒng)正在為公司節(jié)省時(shí)間和金錢(qián)，并生產(chǎn)出功耗更低、性能更高、面積更小的芯片。現(xiàn)在，業(yè)界正將注意力轉(zhuǎn)向優(yōu)化物理設(shè)計(jì)之外的下一步，例如系統(tǒng)級(jí)優(yōu)化、軟件/算法優(yōu)化，甚至設(shè)計(jì)驗(yàn)證。整個(gè)行業(yè)都將從這些創(chuàng)新中受益，更快、耗電更少、成本更低的硅的消費(fèi)者也將受益。”

所有主要的 EDA 公司都在將 AI 功能注入他們的工具中。但是，他們不僅可以將更多東西塞進(jìn)更小的空間，還可以將更多東西塞進(jìn)更大的空間。

Cerebras 的晶圓尺寸芯片。資料來(lái)源：大腦系統(tǒng)

Cerebras Systems 第二代芯片采用 7nm 工藝開(kāi)發(fā)，包含 2.6 萬(wàn)億個(gè)晶體管和 850,000 個(gè) AI 優(yōu)化內(nèi)核。它現(xiàn)在是世界上最大的人工智能應(yīng)用芯片。它大約有一個(gè)餐盤(pán)那么大。相比之下，最大的 GPU 只有 540 億個(gè)晶體管。Cerebras 的芯片需要 40 GB 晶圓內(nèi)存來(lái)支持 AI 計(jì)算。要設(shè)計(jì)這樣的芯片，需要基于人工智能的芯片設(shè)計(jì)工具。

此外，在未來(lái)幾個(gè)月和幾年內(nèi)，除了 PPA 問(wèn)題之外，還需要集成芯片安全性，人工智能也可以提供幫助。

西門(mén)子的 Subramanian 指出了人工智能已經(jīng)在使用的四個(gè)領(lǐng)域?！八麄兛赡苷谑褂萌斯ぶ悄茏鳛榻鉀Q特定問(wèn)題的傳統(tǒng)方法的替代方案。他們可能正在使用人工智能來(lái)創(chuàng)建一種關(guān)于如何設(shè)計(jì)或驗(yàn)證其 IC 的新方法。他們可能正在使用人工智能驅(qū)動(dòng)的工具來(lái)減少錯(cuò)誤或達(dá)到最佳結(jié)果的時(shí)間?；蛘撸麄兛赡苷跇?gòu)建一個(gè) AI 芯片，在這種情況下，設(shè)計(jì)師正在創(chuàng)建一個(gè)新的計(jì)算架構(gòu)來(lái)解決問(wèn)題，而該架構(gòu)基于使用 AI 或機(jī)器學(xué)習(xí)原理?！?/span>

結(jié)論
當(dāng)問(wèn)題以人工智能可以理解的方式明確定義時(shí)，人工智能在設(shè)計(jì)中的效果最好。因此，IC 設(shè)計(jì)人員必須首先查看是否存在與系統(tǒng)適應(yīng)、學(xué)習(xí)和概括知識(shí)/規(guī)則的能力相關(guān)的問(wèn)題，然后將這些知識(shí)/規(guī)則應(yīng)用到不熟悉的場(chǎng)景中。

“了解是否存在非常適合人工智能的問(wèn)題是第一步，也是最重要的一步，”Subramanian 說(shuō)?！斑@可能是整個(gè)過(guò)程中最重要的階段?！?/span>

到目前為止，已經(jīng)顯示出人工智能確實(shí)應(yīng)用的領(lǐng)域有很多，而且未來(lái)無(wú)疑會(huì)發(fā)展更多。人工智能將繼續(xù)存在。現(xiàn)在的問(wèn)題是，它還能做什么？

#人工智能##機(jī)器學(xué)習(xí)##AI智能##芯片#