本文转载自雷锋网。如需转载，请在雷锋网官网申请授权。优化功耗、性能和面积（PPA）一直是芯片设计的三个重要目标。但即使是最好的设备和最有经验的工程团队也无法保证优化结果的稳定性。优化PPA的过程越来越受到应用程序、IP和其他组件的不同可用性以及工程师对不同工具和方法的不同程度的熟悉程度的限制。例如，相同的设计目标可以通过更大的处理器实现更高的性能，使用更小、更专业的处理元件和更紧密耦合的软件来实现。因此，即使在同一领域内，具有相同的电源设计目标，也有许多不同的方法可以实现相同的目标。此外，方案优劣的评价标准也因领域和供应商的具体需求而异。此外，由于对芯片安全性的要求越来越高，优化过程也变得更加复杂。根据设备使用场景的重要性，其安全要求也不同。安全水平会影响芯片功率和性能的设计，进一步影响IC制造成本、上市时间、交货时间和供应商的竞争力。为了阐明这些因素，EDA供应商正在转向人工智能和机器学习技术。芯片供应商正在努力将各种AI功能集成到工具流程中。根据麻省理工学院和德克萨斯大学奥斯汀分校的研究人员发表的一篇论文，该领域的研究到目前为止一直很有希望。研究人员表示，使用深度强化学习算法的设备在某些任务中的表现优于人类。在一个六小时的实验中，研究人员比较了使用强化学习的图卷积神经网络方法、传统的黑盒优化方法（贝叶斯优化、进化算法）、随机搜索方法以及具有五年经验的设计人员。这四项的结果得出结论，采用迁移学习的强化学习方法可以获得更好的效果。换句话说，基于人工智能的工具可以使晶体管设计更有效率。如今，包括谷歌、Nvidia、Synopsys、Cadence、三星和西门子在内的许多公司都计划在芯片设计中使用人工智能，其中一些公司甚至已经在生产中进行了尝试。人工智能如何改变芯片设计格局？直到今天，人们在设计芯片的过程中，仍在使用各种设计工具对电路、逻辑门、布线、版图等进行仿真和验证。这样做是为了最大程度地减少可能的错误并节省时间和成本，但是该过程相当繁琐且耗时。图1：半导体设计流程中的步骤。来源：eInfochips设计芯片的过程有很多步骤：一般都是从确定芯片的规格和架构开始，然后按照上面流程图中的步骤进行。设计完成后，设计文件（GDSII）将被发送到工厂。当摩尔定律生效时，这个过程只需要根据实际情况进行微调即可。但随着工艺红利的消失，FinFET时代正在到来。由于先进工艺的研发成本增加，芯片制造商不得不开始寻找优化PPA的新方法。这一新变化显着增加了芯片设计过程的复杂性，并使按时交付芯片变得更加困难。“设计28纳米芯片的平均成本仅为4000万美元，”IBS首席执行官汉德尔琼斯说。一颗3nm芯片的成本甚至达到了5.9亿美元。”随着芯片的迭代，晶体管的数量从几千个增加到数十亿个。这导致芯片上晶体管排列的设计越来越异构，他们经常使用某种先进的封装工艺。与以前只需要考虑如何在同一空间内布置更多晶体管不同，现在的芯片设计还需要考虑复杂的因素，例如功率密度、热预算要求、各种类型的机械和电气应力，邻近效应，和操作环境。这大大增加了设计过程的时间消耗，也增加了设计成本。更糟糕的是，芯片制造商之间的持续竞争迫使他们在更短的时间内迭代芯片，或者他们将在竞争中处于劣势。这导致芯片制造商没有试错的机会：设计错误意味着巨大的损失。Ho人工智能能否提升芯片研发效率？将人工智能引入芯片设计流程，将有助于降低流程复杂度、减少错误并缩短开发周期。例如，芯片设计中90%的布线过程已经自动化，只需要有经验的设计人员完成最后10%的工作。人工智能的介入，可以进一步减少这最后10%的时间。图2：人工智能的作用越来越大。资料来源：CambrianAIResearch“一切都与效率有关，”Rambus研究员StevenWoo说。在这个过程中效率更高。我们将对算法模型进行预训练，使其更好地工作。由于强化学习算法的引入，基于人工智能的设计工具将随着时间的推移变得越来越强大。随着时间的推移，它将能够为设计人员提供几乎无错误的解决方案，比传统解决方案更有效地优化PPA。此外，出于效率的原因，芯片之间交换数据的速度也非常重要。因为人工智能需要快速访问大量数据。”很多人都支持吴宇森的这个观点。西门子集成电路设计部工程总监JohnSnaby表示：“人工智能将进一步自动化芯片设计过程，尤其是在芯片布局的设计过程中。实践证明，在模拟电路中使用机器学习解决方案可以提高生产力。”在布局设计中，AI可用于在FinFET节点中生成最佳器件放置建议，以最大限度地减少互连寄生。当芯片设计涉及MEMS（例如加速度计和陀螺仪）时，AI可以参与参数化设计过程以与人类合作设计IC和MEMS器件.这将使设计人员能够更快地完成MEMS和IC的软硬件集成，使设计工作更加轻松。人工智能是如何学习的？AI“智能”的基础在于它可以在短时间内完成大量的识别和匹配工作，但遗憾的是AI不能像人类那样“学习”知识。事实上，人工智能获取知识的方式与人类有着根本的不同。一般来说，在应用算法之前，需要将包含大量数据的训练集输入到算法的初始模型中进行训练。经过长时间的训练，算法才算是具备了“智能”。（编者按：AI的“智能”来源于其在数据集中通过大量试验和策略调整得到的不同情况下的最优解。在实际生产中遇到的新场景中，AI将这些最优解策略与实际情况相结合是匹配得到相对于实际场景的最佳答案。这里举例说明人工智能学习与人类学习过程的区别：人类可以记住课堂上“1+1=2”的结论，并将其应用于“一个苹果挨着另一个苹果”的场景得到“这里有两个苹果”的结论。人工智能的学习过程更像猩猩：将一个苹果放在它面前两次产生两个苹果，并重复这个过程数千次。下一次猩猩面对“一根香蕉放在另一根香蕉旁边”的场景时，它可以得出“前面有两根香蕉”的结论。它”。）此外，人工智能还可以使用强化学习方法（RL）来指导训练结果。RL是一种机器学习技术，可以在AI的学习过程中加入奖励和惩罚机制。在引入奖惩机制模型的人工智能算法中，AI学习总是从初始状态开始，输出一些随机结果。然后设计师会对结果做出判断。当结果被接受时，将被视为对模型的“奖励”，模型将朝着这个趋势不断优化。反之，当结果被设计师拒绝时，就被认为是对模型的“惩罚”。该模型调整了政策方向。无论设计者拒绝还是接受结果，算法模型在调整后进入下一次迭代并输出新的结果供设计者接受或拒绝。因此，随着RL学习过程的不断进行，人工智能算法会越来越完善。西门子工业软件高级副总裁兼总经理RaviSubramanian进一步解释了机器学习：“机器学习是人工智能的一个子集，是指机器在没有外部编程的情况下自我进化的过程。传统设备的运行规则遵循计算机语言中if-then-else语句的“二极管”逻辑和线性顺序。但是机器学习方法可以使设备不断地从它收集的数据中获得反馈，从而指导设备下一步的动作”Subramanian表示，要让AI能够学习，需要三个先决条件：一是数据集，即包含大量数据的库。数据可以采用多种形式，例如RTLIP、GDSII、C语言或SPICE表。（编者按：数据集是人工智能算法的初始输入，将数据集输入到算法中相当于给AI学习“例子”。）其次是需要算法模型。该模型使AI系统能够完成观察、学习、反馈等任务。基于这个前提，使用人工智能算法的设备可以根据每一个结果的输出动态调整自己的策略，而不是像传统设备那样只根据输入的程序运行。第三是需要一个目标函数。并围绕这个目标函数设计奖惩机制来完成强化学习过程。（编者按：目标函数指的是指定“最优解”定义的函数，每次训练完成后，都会通过该函数输出一个返回值，一般称为τ，可以看作是每次“考试””算法的最终得分。设计者会根据τ值与目标函数期望值的差距来决定对算法模型的奖励和惩罚）“AI本身不做决定”，他解释说，“谷歌人工智能研究负责人FrancoisChollet的说法非常准确，他将人工智能定义为系统分析数据并将其应用于陌生场景的能力。汽车可以通过测量每加仑英里数或每次充电的最大续航里程来衡量它们的续航里程。劣势。但人工智能系统不同。每个人工智能系统的设计都是独一无二的，设计系统的工具也不同。但整个芯片行业都在报告基于AI的芯片设计工具提高了生产力。例如，谷歌将人工智能应用于芯片布局规划，发现他们可以在不到6小时的时间内完成以前工程师需要几个月才能完成的工作。无论是人类或者人工智能，都可以通过PPA优化获得符合制造标准的芯片设计结果，但在生产过程中引入人工智能的企业生产效率明显更高。“将人工智能应用到芯片设计过程中，肯定会提升芯片性能”，DigitalandS产品管理总监RodMetcalfe说。Cadence的ignoff小组。“例如，在设计过程中使用人工智能的5nm移动CPU可以提高14%的性能，降低7%的功耗，并提高5%的晶体管密度，这对芯片设计很重要。”这些改进也用于其他应用程序。得到反映。Synopsys人工智能解决方案高级总监SteliosDiamantidis表示：“使用基于AI的设计技术，我们的客户表示，与传统设计方法相比，他们能够将功耗降低25%，这非常了不起。”该领域的未来对于大多数人来说，将10亿个晶体管集成到一个芯片中是不可想象的。但根据Synopsys2021年6月的一份报告，他们已经生产出具有1.2万亿个晶体管、40万个AI核心、面积为46225mm2的芯片。这是人类设计师使用传统工具无论如何都无法达到的技术高度。CambrianAIResearch创始人兼首席分析师KarlFreund表示：“将人工智能引入芯片设计过程以提高效率现在是大势所趋，至少对于主要芯片供应商而言是这样。像SynopsysDSO.AI这样的系统正在拯救公司时间和金钱，生产出功耗更低、性能更高、面积更小的芯片。现在，业界正在将注意力转向优化物理设计之外的下一步，例如系统、软件算法优化和设计验证。整个行业正在从这些创新中受益，消费者将能够使用更强大、更低功耗和更便宜的芯片。”所有主要的EDA公司都在努力将AI功能添加到他们的芯片设计流程中。而且，人工智能不仅可以帮助他们将更多东西装进更小的空间，还可以帮助他们将更多东西装进更大的空间。图3：来自Cerebras的晶圆级芯片。资料来源：CerebrasSystems的第二代芯片，采用7纳米工艺开发，包含2.6万亿个晶体管和850,000个AI内核。这是目前世界上人工智能设计的最大芯片，大约有一个盘子那么大。相比之下，世界上最大的GPU只有540亿个晶体管。Cerebras的芯片有40GB的片上内存来支持AI计算。要设计这种尺寸的芯片，必须使用基于人工智能技术的芯片设计工具。未来，除了PPA问题，人工智能还可以在集成芯片安全等领域提供帮助。西门子的Subramanian指出，人工智能至少在四个领域得到了应用：1.创造了一种设计和验证IC的新方法；2、减少设计过程中的错误，减少设计时间；3.构建基于机器学习原理的新型计算架构；4.基于人工智能算法构建芯片。结论当问题以AI可以理解的方式明确定义时，AI在设计中的效果最好。（编者按：需要将实际生产中的各种情况准确地转化为目标函数的一部分。）因此，IC设计者首先要考虑是否存在与人工智能适配、学习、泛化能力相关的问题，设计目标函数。这样，人工智能就可以准确地将这些知识/规则应用到不熟悉的场景中。“了解是否存在适合AI的问题是第一步也是最重要的一步，”Subramanian说，“而且可能是涉及AI的芯片设计过程中最关键的部分。”到目前为止，已经有很多领域展现出人工智能的优势，毫无疑问，未来人工智能会在更多领域展现出这种优势。对人工智能可能昙花一现的担忧已经烟消云散。如今站在面向未来的路口，人们满怀期待。一个新的问题此时正在人们的脑海中回荡：“人工智能还能做什么？”这个问题的答案可能是路口应该竖立的路标。
