EDA疯狂的推动机器学习

机器学习是成为一个竞争EDA产业的先决条件。大芯片制造商支持并要求它,大多数EDA公司部署的一个或多个步骤的设计流程,计划添加更多。

最近几周,三大EDA供应商已经彻底宣布将ML纳入他们的工具在各自的用户事件,和整个芯片行业正朝着相同的方向。机器学习是一种自然适合芯片设计。它教机器如何执行一个特定任务基于模式识别,和结果通常是非常准确的。

这站在更广泛的AI相比,尽管广泛的混乱,因为这些术语往往交替使用,使机器操作更加独立。完整的人工智能训练,需要更多的数据和结果通常是作为概率。更多的数据和更相关的数据——更好的精度,这就是为什么大部分培训AI智能手机和汽车在超大型数据中心完成。

芯片设计中使用的数据量相对较小,和极其复杂的问题,往往专门设计。所以当EDA供应商继续与人工智能实验为各种不同的用途,初步实现围绕着一个子集称为强化学习。监督和非监督学习,是三个主要的机器学习方法。强化学习本质上奖励行为在不断变化,奖励最高的最优行为,动态调整,基于连续反馈行为。

“想想芯片的物理设计和测试你,”Joseph Sawicki说IC EDA执行副总裁西门子数字行业软件。“实际上有数十亿的模式,这些模式,你可以联系他们躺在特定网段什么的。然后你得到测试数据告诉你,“这个设计失败。我运行一些额外的向量,得到一系列不同的失败日志,所有这些都告诉我,在特定的逻辑我有一个失败的锥。现在我有一个大规模的电路设计和这些锥的逻辑,我可以看看可以训练一个神经网络显示,鉴于这种物理设计,它看起来像锥的逻辑是坏的,我的失败可能会在这一领域。然后我可以做相关的物理模式,并得到一个失败者。在一个案例中,我们告诉客户,你通过5钨沉积发生的这个工厂在这一行是坏的。果然,这是规范。”

这允许更广泛的实验在更短的时间,。“这是以前的做法,通常用户运行不同的组合和他们得到某种PPA,“Sassine他说,总裁和首席运营官Synopsys对此。“现在,系统观察空间的优化和智能启动多个工作。有时候启动工作,10%杀死它,因为它知道它不会带来任何好。然后备份和启动一个不同的分支,它说,“这是我可以提供的最好的结果。”

图1:强化学习模型。来源:Synopsys对此

投入的角度来看,设计的复杂性远远超过人类大脑的功能,通过所有可能的组合和相互作用在合理的时间内。

“我们使用AI /毫升为我们的一些设备建模和描述,”尼尔斯·Fache说PathWave软件解决方案的副总裁和总经理Keysight。“当你看看优化设计和运行模拟,它可以使一个更有效的过程。想到6克系统,例如,你必须配置不同的频道。的标准方法是模拟很多不同的条件下,这需要花很长时间找到最优的结果。我们可以大大加快这一过程。6克,将会有一个非常大的游戏,这就是我们正在做的东西。”

同样,Ansys是利用它创建电网等应用程序。“真的在布图规划的早期阶段,”马克Swinnen产品营销主管有限元分析软件。“有一些基本问题,比如有多少肩带,什么样的,和这些带子会有多宽?有多少通过我的角落吗?有多少戒指?这些都是基本的架构问题,还有很多,很多可能的组合。我们将使用哪些层次?我们有一个应用程序,你可以描述这个在六个参数并通过密度求出最优音高和最优给你最好的能力。热也有比我们预计的还要早。当我们开始研究电热看署名,但它很快变得明显,人们最关心最初在原型阶段。他们想要快速的估计如何组装这些multi-die系统,甚至布图规划的博客,因为如果你平面图错在开始和结束时你只描述热,你把两个非常热的东西合在一起,这是一场灾难。 It’s very difficult to recover from that, so it has to happen earlier in the flow.”

热启动和冷启动
强化学习,尤其是可以显著帮助设计团队实现更快更好的结果,为一个新的设计和衍生品的设计。

”的一个关键优势这种新的强化学习应用的自动化EDA行业没有应用之前,“说学历Devgan,总裁兼首席执行官节奏。“我们的一个大客户告诉我,他们认为place-and-route是有史以来最复杂的商业软件。和有很多的并发症在很多项目中,无论是place-and-route或模拟验证。但是EDA从来没有优化多个运行。所以你做一运行,输入,输出。当你进入下一个运行,没有知识转移。”

知识转移是一个大的强化学习的好处。它基本上收集数据并将其存储在一个存储库中。

“知识,曾在过去是在很多人的头,”托马斯·安德森说,副总统在Synopsys对此人工智能和机器学习。“当这些人搬到一个不同的公司吗?或者当他们在不同的位置,他们甚至不交谈吗?你会发现有人在办公室闲聊说,“嘿,你应该试试这个,因为它给你更好的力量。此系统的优点是,它学习的行为设计和创建统计模型。所以下次我做一个进化的设计——这可能是不同的,而且很多——我可以从这些知识重用。”

这就是所谓的“热启动,”和日益复杂的设计和市场萎缩的窗户,它能提高上市时间,而无需重新设计了一切。

“冷启动,你从头开始学习,“节奏的Devgan说。“温暖的开始可以做在一个公司,它为一些常见的块工作。这是下一个模型重用。对于常见的IP,可以使用铸造pre-trained模式。所有的数据是在公司。你我自己的数据。”

基于数据的方法可以通过收集许多设计开始。“EDA是完美的使用模式匹配机器学习的目标,”Steve罗迪说CMO二次曲面。“你有min-cut算法。你有数十亿的地方,你必须尽量减少导线跨越边界。有连续的迭代算法,不同的EDA工具,它们都是使用一些复杂的启发式图,“如果我要把所有这些东西,给我最短的平均线长度,电线和交叉的最小数量。“这很容易,当我们有两个或三层金属。现在有14层的金属,和82面具在3海里。但你有一个历史的成千上万的place-and-route工作贯穿你的工具链。还有什么更好的训练数据库模式匹配和建立某种机器学习?所以未来的RTL摄入,你可以说,“我承认这一点。”,都是机器学习。”

更多的数据,更多的功能
完整的人工智能是更远,更加困难。EDA厂商也开始利用它只要有足够的数据和过程的耗时,权证的努力,但到目前为止,它的使用是有限的。

“如果你去火车在30亿张图片,你可以学习一只山羊是什么样子的房子是什么样子的,”杰夫•戴克说,资深的工程总监西门子数字行业软件。“你需要大量的数据。我们在这里做的是不同的。我们上运行模拟的原因是我们不知道答案。我们不知道它的样子。我们从来没有见过它。这是一个新的设计,或者一种进化设计一个新流程版本之类的。所以我们处理的方式是我们只是重新开始。我们不接受旧的设计数据,希望接下来的行为类似的,因为在现实世界中芯片设计,它不是。所以我们所做的培训对大数据集没有帮助。 We do use some historic data, and there are pockets where it makes sense, like if you’re doing another iteration on the same design. But if you’re training on a whole bunch of stuff, and hope that the next thing that’s never seen before is going to look like that, it’s not that useful.”

不仅仅是更多的数据。也是约好数据。“我的项目,最后,意识到他们有太多的数据,有时他们有错误的数据,”莫尼卡而索菲亚说,技术人员在AMD的主要成员,在最近的一次小组讨论。“大部分时间我们会获取数据,做分析,并意识到这是多余的。这是无用的数据。有噪音,有很多其他的事情,只是甩了不加选择地。我们有时使用20%的数据,有时甚至不到,不是的形状和形式,是必需的。”

这是完整的人工授精技术的部分原因是今天比机器学习更有限。供应商一直非常挑剔,他们应用人工智能,如果成功的话,将是一个巨大的芯片设计的转变。

“人工智能的真正价值在优化,“节奏的Devgan说。“模式匹配,这是早期的人工智能,是有用的,和我们所做的几何处理和模式匹配。但真正的价值是决策优化。什么是最好的框架?我们有各种各样的优化方法,基于这些梯度。但AI允许non-gradient-based优化,强化学习允许,所以我们可以优化适用于我们没有应用。”

完整的人工智能和机器学习,是否有可能更根本性的转变。在过去,最有价值的数据在设计工作和不来自工厂。从那里,它慢慢地回到设计团队和EDA公司,经常抱怨他们没有获得足够的数据。多年来情况已经有所改善,但它仍然是不平衡的。AI / ML,数据需要在两个方向流动,它有可能可以组合的方式,以前被认为是不切实际的。

“在物理设计的一件事,我们的工作涉及到缺陷信息得到了工厂地板上,“Sawicki说。的联系”,现在我想了解我的形象模式是将学习到更多关于其他模式可能会变坏。上做基础设施的其他部分口径相同的工具,例如,被用来做机器学习,OPC和像。所以你可以建立一个公共基础设施在许多不同的应用。这并不意味着你有一个人工智能引擎,口径和功能验证工作。这些都是非常不同的问题。但是有很多互动,人们将学习。”

结论
区分机器学习是很重要的,这是人工智能的一个子集,和更大的人工智能,更难以适用于EDA。频繁,术语交替使用,即使在工具的名称。但真正的人工智能才慢慢被应用于半导体设计,因为它需要时间来找出如果结果不够准确,一致的和可伸缩的。

半导体设计变得更加复杂,因为它进入先进的包装,它也变得更加特定于域的和异构。发现模式,跨越多个部分的设计,然后决定哪些适用于其他设计甚至衍生品,对EDA公司是一个巨大的挑战。但它也需要更多的专业知识比今天的芯片产业实现的潜力。

“为了学习人工智能应用解决方案,你需要那些知道他们在做什么,”AMD的而索菲亚说。“我们必须教育他们,等他们走出学校,并帮助我们,我们需要去的地方。但另一方面,我们必须担心的人认为他们知道他们在做什么。所以这将是最大的挑战。机会是很容易的。我有工作在24个不同的主题,我应用机器学习过程,不管我我看到了一个机会——主要是寻找设计探索,验证和仿真。到处都是。”