AI設(shè)計(jì)芯片的未來在何方，我們和專家聊了聊

如今，AI已深入到芯片設(shè)計(jì)、驗(yàn)證、測(cè)試以及其他關(guān)鍵階段，開發(fā)者紛紛感受到了AI帶來的生產(chǎn)力提升，見證了在常規(guī)項(xiàng)目時(shí)間框架內(nèi)僅靠人力所無法實(shí)現(xiàn)的驚人成果。沒有AI參與芯片設(shè)計(jì)，這些都是無法想象的。

利用AI進(jìn)行芯片設(shè)計(jì)如何發(fā)展至今？未來又何去何從？

“設(shè)計(jì)領(lǐng)域AI的崛起——過往歷程與未來展望”討論會(huì)吸引了各領(lǐng)域的專家，共同分享AI在各自領(lǐng)域中所取得的進(jìn)展，并展望了未來的發(fā)展。在新思科技AI戰(zhàn)略與系統(tǒng)團(tuán)隊(duì)高級(jí)經(jīng)理、SNUG硅谷用戶大會(huì)AI會(huì)議負(fù)責(zé)人Geetha Rangarajan的主持下，該討論會(huì)旨在探討AI如何在系統(tǒng)設(shè)計(jì)中幫助我們重新思考多個(gè)領(lǐng)域中的“難點(diǎn)”問題。會(huì)者們積極發(fā)表意見，通過創(chuàng)造性思維共同探索了使用AI驅(qū)動(dòng)型解決方案的可能性。討論會(huì)的成果豐富多彩，為AI在設(shè)計(jì)領(lǐng)域的應(yīng)用帶來了新的啟示。

簡(jiǎn)化原本復(fù)雜的芯片設(shè)計(jì)工作流程

AI已經(jīng)在逐步簡(jiǎn)化原本復(fù)雜的芯片設(shè)計(jì)工作流程，優(yōu)化日益龐大復(fù)雜的搜索空間。新思科技DSO.ai等解決方案利用強(qiáng)化學(xué)習(xí)技術(shù)，大規(guī)模擴(kuò)大對(duì)設(shè)計(jì)工作流程選項(xiàng)的探索，既縮短了設(shè)計(jì)時(shí)間，又優(yōu)化了功耗、性能和面積（PPA）。DSO.ai于2020年推出，是最早用于芯片設(shè)計(jì)的AI應(yīng)用，最近已率先實(shí)現(xiàn)首先100個(gè)生產(chǎn)流片這一重要里程碑。

新思科技AI戰(zhàn)略與系統(tǒng)團(tuán)隊(duì)的杰出架構(gòu)師Joe Walston在討論會(huì)上提出了一個(gè)問題：AI能否幫助開發(fā)者解決整個(gè)系統(tǒng)堆棧中的復(fù)雜問題？從計(jì)算設(shè)備到裝置再到飛機(jī)，如今的系統(tǒng)覆蓋了各種應(yīng)用領(lǐng)域。系統(tǒng)堆棧包含了潛在受益于AI的軟件和硬件（物理）組件。軟件如工作負(fù)載驅(qū)動(dòng)型軟件，用于處理通信、數(shù)據(jù)處理以及與用戶、外部環(huán)境及系統(tǒng)內(nèi)其他組件的交互。硬件如軟件驅(qū)動(dòng)型架構(gòu)，這是用于滿足軟件需求（包括機(jī)械、光學(xué)、半導(dǎo)體、電源或傳感器方面的需求）的硬件子系統(tǒng)。

系統(tǒng)堆棧的每一層都有很多相關(guān)問題需要解決。例如，在半導(dǎo)體子系統(tǒng)中，先進(jìn)的SoC包含多個(gè)處理器、復(fù)雜接口IP、數(shù)字/模擬邏輯、存儲(chǔ)器等。開發(fā)者面臨著優(yōu)化多個(gè)工作流程的挑戰(zhàn)，從微架構(gòu)選擇到版圖布局優(yōu)化，再到物理設(shè)計(jì)、測(cè)試和制造方面的選擇，都要納入考量。同樣，對(duì)于光學(xué)子系統(tǒng)，開發(fā)者必須綜合考慮嵌入式電路、透鏡、探測(cè)器和光源等因素。Walston表示，AI可以協(xié)助完成一些重復(fù)性的探索工作，幫助開發(fā)者更快達(dá)成目標(biāo)。

實(shí)現(xiàn)更快的驗(yàn)證周期

新思科技EDA團(tuán)隊(duì)科學(xué)家Badri Gopalan從功能驗(yàn)證角度分享了一些觀點(diǎn)。他指出，當(dāng)下面臨的情況是，驗(yàn)證復(fù)雜性的增長(zhǎng)速度超過了摩爾定律。對(duì)于如今的SoC，需要驗(yàn)證的東西有很多：所有的邏輯，所有的跨多維度組合，比如性能和功耗等。驗(yàn)證開發(fā)者怎樣才能找到更多更為復(fù)雜的錯(cuò)誤？怎樣比以往更快的發(fā)現(xiàn)？同時(shí)將結(jié)果質(zhì)量和結(jié)果成本控制在理想范圍內(nèi)？

Gopalan解釋說，開發(fā)者在RTL中應(yīng)用傳統(tǒng)驗(yàn)證解決方案通?？蓪?shí)現(xiàn)接近100%的覆蓋率。靜態(tài)驗(yàn)證可以發(fā)現(xiàn)約10%的錯(cuò)誤，但可能會(huì)有很多誤報(bào)，并且非常費(fèi)時(shí)費(fèi)力。形式化驗(yàn)證可以發(fā)現(xiàn)另外20%的錯(cuò)誤，而仿真可以再發(fā)現(xiàn)65%的錯(cuò)誤。仿真也需要大量人工操作，并且需要花費(fèi)大量時(shí)間來調(diào)整測(cè)試平臺(tái)的約束條件和編寫手動(dòng)測(cè)試程序。

新思科技的AI驅(qū)動(dòng)型驗(yàn)證解決方案VSO.ai可以識(shí)別和消除回歸中的冗余，自動(dòng)進(jìn)行覆蓋率根本原因分析，然后通過RTL推斷覆蓋率，通過仿真確定覆蓋率差異，并提供覆蓋率優(yōu)化指導(dǎo)，從而幫助驗(yàn)證團(tuán)隊(duì)更快、更高效地實(shí)現(xiàn)驗(yàn)證收斂。

提高覆蓋率并最小化測(cè)試向量數(shù)量

半導(dǎo)體測(cè)試也可以受益于AI。在芯片制造過程中，測(cè)試開發(fā)者需要確保設(shè)計(jì)沒有缺陷，并且按預(yù)期運(yùn)行。存儲(chǔ)器內(nèi)置自測(cè)（BIST）、壓縮IP和邏輯測(cè)試結(jié)構(gòu)等解決方案可用于進(jìn)行邏輯測(cè)試。傳感器也具有重要作用。一般來說，收集到的數(shù)據(jù)在經(jīng)過分析后，會(huì)回饋到設(shè)計(jì)周期中，從而實(shí)現(xiàn)改進(jìn)。

在此過程中，每一步都需要決定對(duì)哪些參數(shù)進(jìn)行優(yōu)化。新思科技硬件分析與測(cè)試事業(yè)部工程副總裁Fadi Maamari解釋道，我們的目標(biāo)是使用盡可能少的測(cè)試向量開展盡可能多的測(cè)試，以控制成本。新思科技發(fā)布了一款利用AI優(yōu)化測(cè)試碼生成的新產(chǎn)品：新思科技TSO.ai。TSO.ai旨在減少所需的測(cè)試向量，提高覆蓋率，并縮短自動(dòng)測(cè)試向量生成（ATPG）的周轉(zhuǎn)時(shí)間。它會(huì)以智能方式自動(dòng)調(diào)整ATPG參數(shù)，針對(duì)特定設(shè)計(jì)開展一致的結(jié)果質(zhì)量?jī)?yōu)化，并可以大幅降低測(cè)試成本。

通過AI尋找新機(jī)遇

目前，AI在電子設(shè)計(jì)領(lǐng)域的影響才剛剛開始展現(xiàn)。隨著自然語言模型（ChatGPT等AI聊天機(jī)器人）的興起，以及AI所展現(xiàn)出的其他機(jī)遇，芯片設(shè)計(jì)行業(yè)現(xiàn)已迎來激動(dòng)人心的時(shí)刻。要推進(jìn)設(shè)計(jì)、驗(yàn)證和測(cè)試的自動(dòng)化，還有更多工作要做，也還有更多方面需要改進(jìn)。強(qiáng)大的電子設(shè)計(jì)自動(dòng)化（EDA）技術(shù)與緊密集成的機(jī)器學(xué)習(xí)驅(qū)動(dòng)循環(huán)有望形成一股強(qiáng)大力量，助力開發(fā)者達(dá)成前所未有的成就。

新思科技電路設(shè)計(jì)與TCAD解決方案事業(yè)部杰出架構(gòu)師Vuk Borich表示：“隨著芯片設(shè)計(jì)越來越多地使用FinFET節(jié)點(diǎn)工藝，新的問題不斷出現(xiàn)。雖然芯片密度越來越高，尺寸越來越小，數(shù)量也越來越多，但還是有一些具有一定規(guī)律的事情可以交給人工智能。所以，我們預(yù)計(jì)會(huì)有大量創(chuàng)新。”

單看模擬設(shè)計(jì)這一塊，就有很多方面可以享受人工智能的紅利。Borich強(qiáng)調(diào)：

• 要評(píng)估制程變異性，需要執(zhí)行數(shù)十億次的蒙特卡洛仿真。有沒有可能利用AI減少這類仿真的時(shí)間和成本？

• 提取寄生效應(yīng)需要幾個(gè)小時(shí)，甚至幾天時(shí)間。隨著設(shè)計(jì)參數(shù)增加到數(shù)百個(gè)，迭代時(shí)間延長(zhǎng)，能用AI來縮短模擬設(shè)計(jì)收斂時(shí)間嗎？

• 優(yōu)化布局需要大量人工操作：能否使用AI簡(jiǎn)化這一過程，尤其是在相關(guān)人才緊缺的情況下？

除了電子系統(tǒng)，光學(xué)設(shè)計(jì)領(lǐng)域也能在AI的幫助下加快實(shí)現(xiàn)收斂，并減少開發(fā)者的人力。光學(xué)設(shè)計(jì)是成像、汽車照明和光子芯片等應(yīng)用中的關(guān)鍵技術(shù)。這些應(yīng)用相當(dāng)復(fù)雜，有太多的變量和公差需要考慮，過去都是使用特殊工具進(jìn)行處理的。新思科技光學(xué)解決方案團(tuán)隊(duì)的科學(xué)家William Cassarly表示，AI具有潛在協(xié)同優(yōu)化專用算法的新機(jī)會(huì)。利用AI可以對(duì)大部分設(shè)計(jì)空間進(jìn)行探索，為現(xiàn)有算法提供新起點(diǎn)，減少處理個(gè)別案例的工作量。此外，AI有望在完全不同的用例之間進(jìn)行知識(shí)轉(zhuǎn)移，讓經(jīng)驗(yàn)不足的開發(fā)者也能產(chǎn)出以往認(rèn)為只有資深開發(fā)者才能給出的結(jié)果。

就系統(tǒng)層面而言，硬件和軟件團(tuán)隊(duì)之間的知識(shí)孤立導(dǎo)致系統(tǒng)成型成為一項(xiàng)復(fù)雜的高成本工作。系統(tǒng)層面的可見性和自動(dòng)化根源分析是縮短芯片上市時(shí)間的關(guān)鍵。新思科技系統(tǒng)設(shè)計(jì)部高級(jí)研發(fā)師Rachana Srivastava指出，利用AI可自動(dòng)完成系統(tǒng)層面的根源分析。透過在基于事件的知識(shí)圖譜中映射數(shù)據(jù)，可以了解整個(gè)系統(tǒng)的基本情況。對(duì)這些數(shù)據(jù)應(yīng)用機(jī)器學(xué)習(xí)模型可以進(jìn)行預(yù)測(cè)并形成信息挖掘反饋回路，以優(yōu)化芯片結(jié)果。

隨著開發(fā)者設(shè)計(jì)出新的方法將AI和機(jī)器學(xué)習(xí)應(yīng)用于整個(gè)系統(tǒng)堆棧的所有工作流程，激動(dòng)人心的時(shí)代即將到來。為了滿足下一代應(yīng)用的PPA和上市時(shí)間目標(biāo)，芯片設(shè)計(jì)只會(huì)越來越復(fù)雜。AI可以為開發(fā)團(tuán)隊(duì)帶來生產(chǎn)力提升，幫助他們實(shí)現(xiàn)過去無法想象的成果。

?