AI比人類更懂芯片設(shè)計(jì)？

造出“超級(jí)巨芯”，六小時(shí)完成人類數(shù)月工作，AI重新定義芯片設(shè)計(jì)

 編譯 | 姚勇喆 

優(yōu)化功耗、性能和面積（PPA）一直是芯片設(shè)計(jì)中的三個(gè)重要目標(biāo)。但即使是最好的設(shè)備和經(jīng)驗(yàn)最豐富的工程團(tuán)隊(duì)也無(wú)法保證優(yōu)化結(jié)果的穩(wěn)定性。

優(yōu)化PPA的過(guò)程正受到越來(lái)越多因素的制約：應(yīng)用、IP和其他組件的可用性不同，工程師對(duì)不同工具和方法的熟悉程度也不盡相同。例如，同樣的設(shè)計(jì)目標(biāo)既可以用更大的處理器實(shí)現(xiàn)更高性能，也可以用更小、更專業(yè)的處理元件更緊密的結(jié)合軟件來(lái)實(shí)現(xiàn)。因此，即使在相同領(lǐng)域和相同的功率設(shè)計(jì)目標(biāo)下，也會(huì)有許多不同的方法可以實(shí)現(xiàn)相同的目標(biāo)。并且方案優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn)也是因領(lǐng)域和供應(yīng)商的具體需求而異的。

另外，由于對(duì)芯片安全性的需求不斷增加，優(yōu)化過(guò)程變得愈加復(fù)雜。根據(jù)設(shè)備使用場(chǎng)景的重要性，其安全需求也各不相同。安全級(jí)別的高低會(huì)影響芯片功率和性能的設(shè)計(jì)，進(jìn)一步影響IC制造成本、上市時(shí)間、交貨時(shí)間和供應(yīng)商的競(jìng)爭(zhēng)力。

為了縷清這些因素，EDA供應(yīng)商開始尋求人工智能和機(jī)器學(xué)習(xí)技術(shù)的幫助。芯片供應(yīng)商們正致力于將各種AI功能集成到工具流中。根據(jù)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的論文，迄今為止該領(lǐng)域研究成果喜人。研究人員表示，使用了深度強(qiáng)化學(xué)習(xí)算法的設(shè)備在某些任務(wù)上的表現(xiàn)已經(jīng)超過(guò)了人類。

在六個(gè)小時(shí)的實(shí)驗(yàn)中，研究人員通過(guò)對(duì)比使用強(qiáng)化學(xué)習(xí)的圖卷積神經(jīng)網(wǎng)絡(luò)方法、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)搜索方法、具有五年經(jīng)驗(yàn)的設(shè)計(jì)師這四者的成果得到結(jié)論：帶有遷移學(xué)習(xí)的強(qiáng)化學(xué)習(xí)方法可以取得更好的效果。換言之，基于人工智能的工具可以使晶體管設(shè)計(jì)更加高效。

如今，包括谷歌、英偉達(dá)、新思科技、Cadence、三星和西門子在內(nèi)的許多公司都已經(jīng)有在芯片設(shè)計(jì)中使用人工智能的計(jì)劃，其中部分公司甚至已經(jīng)在生產(chǎn)中進(jìn)行這種嘗試。

人工智能如何改變芯片設(shè)計(jì)格局？

—

直到今天，人們?cè)谠O(shè)計(jì)芯片的過(guò)程中仍然在使用各種設(shè)計(jì)工具進(jìn)行電路、邏輯門、布線、布局的仿真和驗(yàn)證。這么做是為了最大限度的減少可能的錯(cuò)誤并且節(jié)約時(shí)間和成本，但這個(gè)過(guò)程相當(dāng)乏味且耗時(shí)。

設(shè)計(jì)芯片的流程有很多步驟：一般從確定芯片的規(guī)格和架構(gòu)開始，然后遵循上面流程圖中的各個(gè)步驟。在設(shè)計(jì)完成后，設(shè)計(jì)文件（GDS II）將會(huì)被發(fā)送給工廠。

當(dāng)摩爾定律有效時(shí)，這個(gè)流程只需要根據(jù)實(shí)際情況進(jìn)行微調(diào)即可。但隨著制程紅利正在消失，F(xiàn)inFET時(shí)代到來(lái)。由于先進(jìn)制程研發(fā)成本的增高，芯片制造商們不得不開始尋找新的方法來(lái)實(shí)現(xiàn)PPA的優(yōu)化。這種新變化顯著增加了芯片設(shè)計(jì)流程的復(fù)雜程度，并使得按期交付芯片愈加困難。

“設(shè)計(jì)一個(gè)28nm芯片的平均成本僅為4000萬(wàn)美元，”IBS首席執(zhí)行官Handel Jones說(shuō)，“但現(xiàn)在設(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芯片的成本則是4.16億美元，設(shè)計(jì)一個(gè)3nm芯片的成本甚至達(dá)到了5.9億美元。”

 隨著芯片的迭代，晶體管數(shù)量已經(jīng)從幾千個(gè)增加到了數(shù)十億個(gè)。這使得芯片上晶體管排布設(shè)計(jì)的異構(gòu)性越來(lái)越高，并且它們通常都會(huì)采用某種先進(jìn)封裝工藝。與之前只需要考慮如何將更多的晶體管排列在同一空間不同，現(xiàn)在芯片設(shè)計(jì)中還需要考慮到功率密度、熱預(yù)算需求、各種類型的機(jī)械和電氣應(yīng)力、鄰近效應(yīng)以及工作環(huán)境等復(fù)雜因素。這使得設(shè)計(jì)過(guò)程耗時(shí)大大增加，同時(shí)也堆高了設(shè)計(jì)成本。更糟糕的是，芯片制造商間的持續(xù)競(jìng)爭(zhēng)迫使他們必須在更短時(shí)間內(nèi)實(shí)現(xiàn)芯片的迭代，否則就會(huì)在競(jìng)爭(zhēng)中處于劣勢(shì)。這導(dǎo)致了芯片制造商沒(méi)有試錯(cuò)機(jī)會(huì)：一次設(shè)計(jì)失誤就代表著巨額損失。

人工智能如何提高芯片開發(fā)效率？

—

將人工智能引入到芯片設(shè)計(jì)的流程中有利于減少流程復(fù)雜性、減少錯(cuò)誤并縮短開發(fā)周期。

例如，在芯片設(shè)計(jì)中布線過(guò)程的90%已經(jīng)實(shí)現(xiàn)了自動(dòng)化，僅需要一位經(jīng)驗(yàn)豐富的設(shè)計(jì)師完成最后10%的工作即可。人工智能的參與可以將這最后10%的時(shí)間進(jìn)一步縮短。

“這一切都是為了效率，”Rambus的研究員Steven Woo說(shuō)，“本質(zhì)上不論是人類設(shè)計(jì)師還是人工智能，其目的都是為了實(shí)現(xiàn)芯片優(yōu)化，但人工智能顯然在這一過(guò)程中更有效率。我們會(huì)對(duì)算法模型進(jìn)行預(yù)訓(xùn)練以讓其更好的工作。由于引入了強(qiáng)化學(xué)習(xí)算法，隨著時(shí)間推移基于人工智能的設(shè)計(jì)工具會(huì)變得越來(lái)越強(qiáng)大。假以時(shí)日它將能夠向設(shè)計(jì)人員提供幾乎無(wú)錯(cuò)誤的解決方案，這種方案優(yōu)化PPA的效率會(huì)比傳統(tǒng)方案要高得多。此外，同樣由于效率的原因，芯片之間數(shù)據(jù)交換的速度也非常重要，因?yàn)锳I需要快速訪問(wèn)大量數(shù)據(jù)?！?/span>

許多人都支持Steven Woo的這一觀點(diǎn)。西門子IC設(shè)計(jì)部門工程總監(jiān)約翰.史納比表示：“人工智能將使得芯片設(shè)計(jì)流程進(jìn)一步自動(dòng)化，尤其是在芯片布局的設(shè)計(jì)過(guò)程中。實(shí)踐已經(jīng)證明，在模擬電路中采用機(jī)器學(xué)習(xí)方案可以提高生產(chǎn)力。在布局設(shè)計(jì)上，AI可以用于生成FinFET節(jié)點(diǎn)中的最佳器件布局建議，以最大程度的減少互連寄生效應(yīng)。當(dāng)芯片設(shè)計(jì)涉及加速度計(jì)和陀螺儀等微機(jī)電系統(tǒng)時(shí)，AI能夠參與參數(shù)化的設(shè)計(jì)流程，以與人類合作設(shè)計(jì)IC和MEMS器件。這將使得設(shè)計(jì)人員能夠更快完成MEMS、IC的軟硬件集成，使設(shè)計(jì)工作變得更加輕松?！?/span>

人工智能如何學(xué)習(xí)？

AI“智能”的基礎(chǔ)是它可以在短時(shí)間內(nèi)進(jìn)行大量的識(shí)別和匹配工作，但遺憾的是AI并不能像人類一樣“學(xué)習(xí)”知識(shí)。事實(shí)上，人工智能獲取知識(shí)的方式和人類有著本質(zhì)的不同。一般來(lái)講，在算法應(yīng)用之前需要將包含了大量數(shù)據(jù)的訓(xùn)練集或輸入到算法初始模型中進(jìn)行訓(xùn)練。在經(jīng)過(guò)長(zhǎng)時(shí)間訓(xùn)練之后，算法才能算得上擁有了“智能”。

（雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))編者注：AI的“智能”來(lái)自于其在數(shù)據(jù)集中進(jìn)行大量嘗試和策略調(diào)整而得到的不同情況下的最優(yōu)解。在實(shí)際生產(chǎn)遇到的新場(chǎng)景中AI將這些最優(yōu)解策略與實(shí)際情況進(jìn)行匹配，從而得出相對(duì)實(shí)際場(chǎng)景最優(yōu)的答案。這里舉個(gè)例子來(lái)解釋人工智能學(xué)習(xí)和人類學(xué)習(xí)過(guò)程的不同：人類可以在課堂上記住“1+1=2”的結(jié)論，并將其應(yīng)用到“一個(gè)蘋果旁邊擺上另一個(gè)蘋果”的場(chǎng)景中，從而得到“這里有兩個(gè)蘋果”的結(jié)論。而人工智能的學(xué)習(xí)過(guò)程則更像猩猩：通過(guò)兩次將單個(gè)蘋果擺在面前數(shù)出兩個(gè)蘋果，并將這一過(guò)程重復(fù)成千上萬(wàn)次。猩猩就可以在下一次面對(duì)“一個(gè)香蕉旁邊擺著另一個(gè)香蕉”的場(chǎng)景時(shí)，得到“面前有兩個(gè)香蕉”的結(jié)論。）

此外，人工智能還可利用強(qiáng)化學(xué)習(xí)方法（RL）來(lái)指導(dǎo)訓(xùn)練結(jié)果。RL是一種機(jī)器學(xué)習(xí)技術(shù)，可以為AI的學(xué)習(xí)過(guò)程加入獎(jiǎng)懲機(jī)制。

在一個(gè)引入了獎(jiǎng)懲機(jī)制模型的人工智能算法中，AI的學(xué)習(xí)總是從初始狀態(tài)開始，并會(huì)輸出一些隨機(jī)結(jié)果。然后設(shè)計(jì)師會(huì)對(duì)該結(jié)果做出判斷，當(dāng)該結(jié)果被接受時(shí)，將視為對(duì)模型進(jìn)行了“獎(jiǎng)勵(lì)”，模型會(huì)繼續(xù)向著這個(gè)趨勢(shì)進(jìn)行優(yōu)化。相反的，當(dāng)該結(jié)果被設(shè)計(jì)師拒絕時(shí)，將視為對(duì)該模型的“懲罰”。模型會(huì)調(diào)整策略方向。無(wú)論是設(shè)計(jì)師拒絕還是接受該結(jié)果，算法模型都會(huì)進(jìn)入在調(diào)整后進(jìn)行下一次迭代，并輸出新的結(jié)果以讓設(shè)計(jì)師接受或拒絕。因此隨著RL學(xué)習(xí)過(guò)程的持續(xù)進(jìn)行，人工智能算法將會(huì)變得越來(lái)越完善。

西門子工業(yè)軟件高級(jí)副總裁兼總經(jīng)理Ravi Subramanian為機(jī)器學(xué)習(xí)進(jìn)一步做了解釋：“機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，指的是機(jī)器無(wú)需外部編程實(shí)現(xiàn)自我進(jìn)化的過(guò)程。傳統(tǒng)設(shè)備的運(yùn)行規(guī)則遵循計(jì)算機(jī)語(yǔ)言中if-then-else語(yǔ)句的‘二極管’邏輯和線性順序。但機(jī)器學(xué)習(xí)方法能夠使設(shè)備不斷從自身采集到的數(shù)據(jù)中獲得反饋，從而指導(dǎo)設(shè)備下一步的行動(dòng)?！?/span>

Subramanian表示，要讓AI進(jìn)行學(xué)習(xí)，需要三個(gè)前提條件：

其一是需要一個(gè)數(shù)據(jù)集，即一個(gè)包含了大量數(shù)據(jù)的庫(kù)。數(shù)據(jù)可以是RTLIP、GDSII、C語(yǔ)言或SPICE表格等多種形式。（雷峰網(wǎng)編者注：數(shù)據(jù)集就是人工智能算法的初始輸入，將數(shù)據(jù)集輸入算法相當(dāng)于給AI“例題”進(jìn)行學(xué)習(xí)）

其二是需要一個(gè)算法模型。這個(gè)模型使得AI系統(tǒng)能夠完成觀測(cè)、學(xué)習(xí)、反饋等任務(wù)?；谶@個(gè)前提使用了人工智能算法的設(shè)備才能根據(jù)每一次結(jié)果的輸出動(dòng)態(tài)調(diào)節(jié)自身策略，而不是和傳統(tǒng)設(shè)備一樣僅根據(jù)輸入的程序運(yùn)行。

其三是需要一個(gè)目標(biāo)函數(shù)。并且設(shè)計(jì)一個(gè)圍繞著這個(gè)目標(biāo)函數(shù)的獎(jiǎng)懲機(jī)制，以完成強(qiáng)化學(xué)習(xí)過(guò)程。（雷峰網(wǎng)編者注：目標(biāo)函數(shù)是指一個(gè)規(guī)定“最優(yōu)解”定義的函數(shù)。每次訓(xùn)練完成后，將會(huì)通過(guò)該函數(shù)輸出一個(gè)返回值，一般稱作τ，可以看做是算法每次“考試”后的分?jǐn)?shù)。設(shè)計(jì)人員將會(huì)根據(jù)τ值與目標(biāo)函數(shù)期望值的差距來(lái)決定對(duì)算法模型的獎(jiǎng)懲）

“人工智能本身并不會(huì)做決定”，他解釋說(shuō)，“谷歌人工智能研究負(fù)責(zé)人Francois Chollet的說(shuō)法很準(zhǔn)確，他將人工智能定義為系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行分析后應(yīng)用在陌生場(chǎng)景中的能力?！?/span>

汽車可以通過(guò)衡量每加侖油能行駛的里程或者每次充電后的最大行駛里程來(lái)衡量其續(xù)航優(yōu)劣。但人工智能系統(tǒng)不同，每個(gè)人工智能系統(tǒng)的設(shè)計(jì)都是獨(dú)一無(wú)二的，設(shè)計(jì)系統(tǒng)的工具也是各不相同的。但整個(gè)芯片行業(yè)都報(bào)告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)用于芯片布圖規(guī)劃，并發(fā)現(xiàn)他們可以在不到六個(gè)小時(shí)的時(shí)間里完成從前工程師動(dòng)輒需要數(shù)月的工作。無(wú)論是人類還是人工智能，兩者都可以通過(guò)PPA優(yōu)化得到滿足制造標(biāo)準(zhǔn)的芯片設(shè)計(jì)結(jié)果，但在生產(chǎn)流程中引入了人工智能的企業(yè)生產(chǎn)效率顯然更高。

“將人工智能應(yīng)用于芯片設(shè)計(jì)過(guò)程肯定會(huì)提高芯片性能，”Cadence 數(shù)字與簽核集團(tuán)產(chǎn)品管理組總監(jiān) Rod Metcalfe 說(shuō)?！袄?，在設(shè)計(jì)過(guò)程中使用了人工智能的5nm移動(dòng)CPU可以提高14%的性能，7%的耗散功率和5%的晶體管密度，這對(duì)于芯片設(shè)計(jì)很重要?！?/span>

這些改進(jìn)在其他應(yīng)用中也得到了體現(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)，我們的客戶表示他們能夠與傳統(tǒng)設(shè)計(jì)方法相比降低25%的功耗，這種提升是驚人的?！?/span>

AI在芯片設(shè)計(jì)領(lǐng)域的未來(lái)

—

對(duì)大多數(shù)人而言，難以想象將10億個(gè)晶體管集成到一顆芯片中。但根據(jù)2021年6月新思科技的報(bào)告，他們已經(jīng)制造出了一種含有1.2萬(wàn)億個(gè)晶體管、400000個(gè)AI內(nèi)核，面積為46225mm2的芯片。這是使用傳統(tǒng)工具的人類設(shè)計(jì)師無(wú)論如何也達(dá)不到的技術(shù)高度。

Cambrian AI Research 創(chuàng)始人兼首席分析師 Karl Freund 表示：“在芯片設(shè)計(jì)流程中引入人工智能來(lái)提高效率現(xiàn)在已是大勢(shì)所趨，至少對(duì)主要芯片供應(yīng)商而言是這樣的。像Synopsys DSO.AI這樣的系統(tǒng)正在為公司節(jié)省時(shí)間和金錢，并生產(chǎn)出功耗更低、性能更高、面積更小的芯片?，F(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)、軟件算法的優(yōu)化和設(shè)計(jì)驗(yàn)證。整個(gè)行業(yè)都在從這些創(chuàng)新中受益，消費(fèi)者也將能用到性能更強(qiáng)勁，功耗更低，更便宜的芯片?！?/span>

所有主要的EDA公司都在致力于將AI功能加入到他們的芯片設(shè)計(jì)流程中。并且，人工智能不僅可以幫助他們將更多東西塞進(jìn)更小的空間里，還可以幫助他們將更多東西塞進(jìn)更大的空間里

Cerebras Systems 的第二代芯片采用7nm工藝開發(fā)，包含2.6萬(wàn)億個(gè)晶體管和 850,000 個(gè) AI內(nèi)核。這是目前世界上由人工智能設(shè)計(jì)的最大的芯片，它和一個(gè)盤子的大小相當(dāng)。相比之下，世界上最大的GPU也僅有540億個(gè)晶體管。Cerebras 的芯片有40 GB片上內(nèi)存來(lái)支持 AI 計(jì)算。要設(shè)計(jì)這種體量的芯片，必須使用基于人工智能技術(shù)的芯片設(shè)計(jì)工具。

未來(lái)，在PPA問(wèn)題之外，人工智能還可以在集成芯片安全性等領(lǐng)域提供幫助。

西門子的Subramanian指出，人工智能已經(jīng)在至少四個(gè)領(lǐng)域得到了應(yīng)用：1、創(chuàng)建一種設(shè)計(jì)和驗(yàn)證IC的新方法；2、減少設(shè)計(jì)過(guò)程中的錯(cuò)誤并既減少設(shè)計(jì)時(shí)間；3、構(gòu)建一個(gè)基于機(jī)器學(xué)習(xí)原理的新計(jì)算架構(gòu)；4、構(gòu)建基于人工智能算法的芯片。

結(jié)論

當(dāng)問(wèn)題能夠被人工智能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。（編者注：即需要將實(shí)際生產(chǎn)中的種種情況準(zhǔn)確的轉(zhuǎn)化為目標(biāo)函數(shù)的一部分。）因此，IC設(shè)計(jì)者必須先考慮是否存在與人工智能適應(yīng)、學(xué)習(xí)、概括能力相關(guān)的問(wèn)題，設(shè)計(jì)好目標(biāo)函數(shù)。這樣人工智能才能夠準(zhǔn)確的將這些知識(shí)/規(guī)則運(yùn)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)，“這也可能是有人工智能參與的芯片設(shè)計(jì)流程中最關(guān)鍵的一環(huán)。”

到目前為止，已經(jīng)有很多領(lǐng)域顯示出人工智能的優(yōu)勢(shì)，并且無(wú)疑未來(lái)人工智能會(huì)在更多領(lǐng)域中顯現(xiàn)出這種優(yōu)勢(shì)。

曾經(jīng)人們對(duì)于AI可能會(huì)曇花一現(xiàn)的顧慮已經(jīng)消失。如今站在面向未來(lái)的交叉路口上，人們正憧憬的眺望。一個(gè)新問(wèn)題此時(shí)在人們的腦中回蕩：“人工智能還能夠做什么？”這個(gè)問(wèn)題的答案或許就是交叉路口上應(yīng)該豎起的路標(biāo)。

原文鏈接：https://semiengineering.com/improving-ppa-in-complex-designs-using-ai/

來(lái)源：芯基建