机器学习如何以不同方式与芯片设计相互作用。
这一年是2009年，在旧金山市民中心一家豪华的小餐馆举行的设计自动化会议(DAC)的新闻晚宴上。大约喝了两杯红酒后，其中一名记者向桌子上的人提出了挑战:“那么，我们离我们的设计要求的黑盒子还有多远，它会产生我们送到铸厂的设计?”我们讨论了过去几十年该行业的所有改进。但这种规模的自主权呢?我们没有看到它发生。13年后的今天，考虑到计算能力的增长、云计算的出现以及人工智能和机器学习(AI/ML)的进步，答案会是什么?
答案有两个维度:从IP选择到实现本身的自上而下的设计流程，以及似乎可以实现的自治水平。为了考虑一个框架，让我们看看的级别交通的自主性打个比方。
第一级和第二级是帮助驾驶员处理相对简单的错误。自适应巡航控制系统(ACC)被定位为一级制动和二级转向。从个人经验来看，我的起亚尼罗(Kia Niro)的ACC刹车系统在高速公路上跟在我前面的车时表现得相当不错，而且我发现它很容易让人信任。虽然我花了更多的时间来适应转向ACC，但我现在很欣赏方向盘上的抽动，以及当我太接近车道边界时的警告信号。(我家的一位Z世代司机认为，这种车里的行为与她的驾驶行为密切相关，是对她驾驶技术的评论，但那就这样吧。)
更高级别的自动驾驶包括驾驶条件(3级为50英里/小时，4级为100英里/小时)和驾驶员剩余的控制权。第3级包括驾驶员主动变道、自动代客泊车和交通堵塞司机等功能。Level 4实现了自动变道和巡航司机功能，可免费驾驶。在交通方面，第5级的自动驾驶让我们在所有驾驶条件下都有了机器人出租车和自动班车。
相比之下，电子设计自动化(EDA)工具如何?
一般来说，EDA的核心是利用复杂的算法计算——它是计算软件。工具用户操作工具设置、选项和命令，以找到操作处理各种设计表示形式的工具的最佳参数。就像汽车领域的ADAS和自动驾驶一样，我们可以从两个角度来看待AI/ML生产力的提高:“内部AI/ML”和“外部AI/ML”。内部的ML是用户不可见的监督ML模型的应用，使用深度神经网络的优化算法来增强EDA算法。例如，深度神经网络作为代理成本函数。用户在ML中体验到的主要是更好的结果和更高的工作效率。作为“助手”，如果你愿意的话。例如，在数字化实施中对布局进行更好的时间预测，以及在制造设计中预测产量限制热点。启用ml的形式验证可以学习哪些求解器最适合哪种设计风格，以及如何优化证明编排中的资源，为特定的验证问题选择最合适的引擎。
相比之下，“外部ML”模型对用户直接可见，并用于在单独的EDA工具之外设置选项、约束和控制流。这可以获取设计师的经验和知识，通过为AI/ML创建训练集，然后使用经过数据集训练的ML数据来指导工具行为和流程优化，从而使其适用。EDA在这一领域已经变得更加自主，我们最近在两个占据大部分开发工作的领域(功能验证和数字实现)取得了重大进展。
例如，用户现在可以设置目标，如功能验证中的覆盖率，而ML在已定义的资源范围内计算出结果。对于ml辅助回归，用户决定用于训练的特定回归，选择使用什么随机变量，并定义覆盖指标和覆盖空间的子集。ML根据用户的目标创建一组新的运行。用户迭代以改进模型，并保持控制，按下按钮。尽管如此，很容易想象在此基础上进一步自治。
数字化实施可以说是最近向自治迈出了最重要的一步。ml增强型数字化实现实现了更好的功率、性能和面积(PPA)，提高了“全流程”生产力，并自动化了平面图优化。强化学习与综合、实现和签名交互，通过应用用户定义的计算资源量自动改进PPA。我们已经看到了一些案例，ml支持的数字实现在10天内通过30个并行计算作业，在5nm技术的移动应用程序中融合了CPU的改进流程。与基准手动结果相比，它提高了14%的性能，泄漏功率提高了7%，密度提高了5%。与汽车应用中的自主性相比，EDA的这种级别的自主性介于“放手”和“放手”之间。
不过，还有更多的事情要做。回想2009年的那次谈话，这个问题本身就值得批判。需求是否被输入到定义“只是”芯片的黑盒中?硬件/软件系统?或者设计的预期功能完全独立于任何实现选择?
总之，从IP选择到验证、数字化和自定义实现，再到系统设计，设计自动化的辅助和自主都已经取得了很大进展。你可以在IntelliSys而且IEEE物联网垂直和主题峰会在RWW2022．
作为一个行业，我们将在未来几年进一步完善自主设计自动化的不同水平。最终，流程的不同步骤与AI/ML的结合将进一步提高生产率。在AI/ ml控制的设计空间探索之后，设计师用SysML这样的高级语言定义一个功能，并根据设计师的需求，自主地将其作为硬件/软件系统实现，这需要多长时间?
我们还没有走到那一步，但这条路正变得越来越明显。为一个光明的AI/ ml未来干杯!
|
|
|
|
|
|
|
|
留下回复