EDA供应商扩大人工智能的使用

EDA供应商正在扩大人工智能和机器学习的使用，以整合多种工具，在半导体设计流程的多个点上提供连续性和一致数据的访问。虽然差距仍然存在，但来自许多EDA工具提供商的早期结果表明，在性能、功率和上市时间方面有显著改进。

AI/ML已经在EDA中部署了一段时间。不过，它在很大程度上隐藏在用户的视野之外，在某些情况下，人们并不完全清楚这些工具是否真的使用了某种形式的人工智能，或者它们是否应该被归类为更简单的专家系统。但随着芯片设计在每个新工艺节点和高级封装中变得越来越复杂，释放出大量数据，EDA供应商正在投入更多精力使用AI/ML来对数据进行排序，并权衡各种选项。

“在过去的几年里，我们的每一个工具都吸收了人工智能和机器学习的能力，”公司董事长兼联合首席执行官Aart de Geus说Synopsys对此．“但它实际上是我们现有算法的计算补充或乘数。现在的情况是，我们已经在设计流程的一部分应用了人工智能/机器学习技术。”

其目标是缩短完整设计一款经过性能和功耗优化的复杂芯片所需的时间，其中包括从定制加速器到独特封装配置的各种类型内存的所有内容。德赫斯说:“我们承诺在这十年内将生产率提高1000倍。”但在过去的一年里，有两件事发生了变化。一是自2018年以来数据量大幅增加。机器创造的数据使人类创造的数据相形见绌。与此同时，机器学习刚刚达到了计算足够好的地步。”

图1:EDA中AI/ML对数据中心芯片设计的好处。来源:Synopsys对此

一个重大变化是，人们认识到AI/ML是一种工程工具，而不是一种按钮式解决方案。它允许用户快速梳理大量数据，但仍然需要特定领域的专业知识。

“这就像通过签收流程为RTL提供辅助驾驶服务一样。节奏．“这不是完全的自动驾驶，但它确实通过扩展工程师的能力来提高生产力。这将确保以特定的顺序遵循不同的附属品和不同的步骤，这样事情就能正确地构建和完成，并且有一个沟通机制。他们将得到一个基本的工作流程，然后他们将查看功率、性能和面积与他们的签名目标进行比较，并开始调整不同的东西。也许他们会尝试保持性能，如果他们达到了目标，尽可能地降低功率。目标通常是在一定时间内达到零功率，有一些限制，你不能超过。他们会花很多时间在这个街区上。”

虽然这其中大部分曾经是相当简单的工程挑战，但选项和潜在交互的数量已经激增。有许多方法可以实现相同的目标，但在大型系统或特定应用程序的上下文中，有些方法比其他方法更好。尽管如此，在复杂的芯片中跟踪所有可能的权衡和选项远远超出了人类大脑的能力。AI/ML可以帮助对选项进行排序，并在确定最佳可能的选择方面节省时间，以及消除无效的选择。

Kittrell说:“工具中有很多不同的旋钮可以控制，比如如何处理拥塞和不同的宏。”“无论你做什么，通常都有三到四种不同的控制方式可供选择。一旦你有了一个基本的工作流程，你就可以告诉它PPA的目标以及允许它进行哪些操作，哪些是高、低或中等工作量的优化。”

图2:使用AI/ML的自动化楼层规划选项。来源:节奏

对于设计团队来说，这也为使用概率作为解决方案的一部分打开了大门。目标仍然是在最小化功耗的同时最大化性能，但它也允许设计团队开始分析基于能源效率等因素的不同架构的影响。例如，不同的布局和互连可能会对数据需要传输的距离、移动数据所需的电阻和电容量以及系统、子系统甚至单个块的整体性能产生重大影响。它还可以对本地化和系统裕度、电力输送网络设计以及测试和检查设备以提高可靠性的能力产生重大影响。

“谷歌在芯片布局方面做了一些非常出色的工作，他们应用人工智能算法来真正优化芯片上不同块的布局，”该公司的杰出发明家史蒂文·吴(Steven Woo)说Rambus．“他们不是唯一一家关注这项工作的公司，但他们一直对此直言不讳。特别是布局，是一项非常劳动密集型的任务，你必须迭代它，因为当你第一次开发一个芯片时，你考虑的是性能将会如何，但它确实取决于物体之间的相对位置。距离很重要，电容也很重要。你先做一个初始布局，然后你用真实的电容回溯注释你的模拟，等等。这可能并不完美，所以你必须一次又一次地回去迭代。通过使用AI，既能加快开发周期，又能减少迭代次数，这真的能给你带来很大帮助。”

现在有什么不同?
在某种程度上，这些发展是进化的。例如，如果EDA供应商在过去十年中没有在他们的工具中并行处理，这一切都是不可能的。最初，这些工具大多是单线程的，但为了跟上不断增长的密度，EDA供应商一直在跨多个处理元素扩展计算。

这是第一步。下一步是在EDA工具算法上覆盖AI/ML功能，在过去的几年里，随着供应商悄悄地扩展功能并评估改进，这些功能已经被零碎地用于EDA工具。现在，有了支持这些改进的数据，供应商正在宣传这些结果以及将数据绑定在一起的新努力，以便可以在流程中的多个点上使用。数据将越来越能够左右移动，允许工程团队在任何时候根据需要使用数据，比如最后一刻的ECO。

“现在你有了一个基于数据的解决方案，而不是基于算法的数据解决方案，”Anoop Saha说，市场开发经理西门子EDA．“EDA中的几乎所有工具都在使用它。挑战在于，我们使用的是经过几十年优化的组合算法。那么，你如何判断机器学习是否会比你只用组合做得更好呢?这种方法并不适用于所有地方，但仅仅通过观察数据就有可能改善几乎所有事情。因此，它至少应该提高性能和/或资源利用率。为了有用，这应该是一个最小数量级的改进。您还可以优化像调试这样的流程，用户在其中花费大量时间在覆盖和关闭上。还有设计探索和功率分析，你试图分离出最优解决方案。这需要EDA开发人员和客户的共同努力。”

图3:ML用于光学接近校正。来源:西门子EDA

AI/ML技术在过去十年中也发生了重大变化。无需在云计算中完成所有计算，推理部分可以在一个小得多的系统上完成。EDA供应商在过去几年中一直在研究和试验这项技术，他们相信这些努力是值得的。

“2012年，当AlexNet问世时，很多研究人员都抓住了这个机会，”腾讯人工智能和软件产品营销总监尼克·尼(Nick Ni)说赛灵思公司．“现在，在汽车、数据中心、医疗和工业领域，有很多商业化正在进行。EDA是下一个大事件，因为算法非常复杂。它们充满了启发式。像Xilinx和EDA公司这样的公司已经从数据中积累了大量的知识，我们可以重复使用这些知识来训练网络，补充我们必须进一步改善结果的启发式，并提供更快的结果收敛。”

他说，在最新的论文中，没有ML的QoR平均增益为1%或2%，“有了机器学习，我们看到了10%或更高的结果改进，这是一个相当大的突破。”“另一个好处是更快的设计迭代。今天，如果你想要做一个非常完整或高频率的设计，你必须经历很多很多次的迭代，可能会尝试很多不同的设置或策略，以达到你在高频率方面所需要的。但有了机器学习，基于过去的经验和数据，我们可以更快地选择正确的道路。你不需要运行很多迭代来达到你需要的目标。”

这对于跟上每个新流程节点或高级包迭代中不断增加的复杂性，以及最终用户对不同应用程序不断增加的定制需求是必不可少的。

“我们有两个客户有超过100个RISC-V处理器，芯片上有矢量引擎，并行处理小帧和机器学习卷积算法，”公司首席执行官Simon Davidmann说治之．“有100个进程，都是并行运行的，模拟算法大多是并行运行的。现在，硬件人员可以构建传统软件工具难以帮助的事情，例如架构探索、功能软件开发、验证和性能分析。通用工具发现很难跟上下一代流程的步伐。传统上，当前一代的工具利用当前一代的过程。下一代技术要比现在复杂100倍，工具也很难跟上。”

AI/ML在这方面可以提供很大帮助。de Geus说:“想象一下，你有数百万个微小的增量优化，现在你想看看不同的时钟方案，以找出哪个更好。”“通过改变你的时钟方案，这通常意味着你必须改变很多你无法做到的事情。但现在我们可以了，我们看到的是突然间所有的东西都进入了一个不同的空间，实际上更好了。我再举一个让我吃惊的例子。因此，应用程序A、B、C和D都运行正常，但应用程序E的电量出现了巨大的峰值。动态功率是不可能仅通过观察芯片来估计的。你需要知道软件中发生了什么。我们现在能够做的是将理解应用程序活动的概念与优化芯片联系起来。”

并不是所有的部分都到位了，AI/ML工具集成的完整性因供应商而异。但是EDA行业的趋势很明显。

“这是很好的第一步，”Cadence的Kittrell说。“我们看到了做事方式的巨大变化，这将对我们的客户和未来芯片的交付产生积极影响。现在有很多人都被这件事缠住了。我们一直在培训客户的潜力，并与公司内部不同的产品团队就数字流进行交流，只是为了确保每个人都在思考如何让他们的工具更有效地解决一些长期存在的问题。”

改变优先级
在某种程度上，推动AI/ML更广泛地使用反映了对商业EDA工具的日益依赖，以及这些公司通过高度定制的设计更快地进入市场的需求。即使是垂直整合的公司，如英特尔和IBM，现在也依赖于商业工具来设计芯片，而且这种需求只会随着设计变得越来越复杂和异构，以及各种先进的封装选项和系统限制而增长。

造成这种转变的一个不太明显的原因是，过去由晶圆代工厂来提高良率的方法——通常是通过利润和冗长的规则组合——已经在设计-制造流程中向左移动了很多。对于高级节点和高级封装设计的用户来说，这种裕度已经不能接受了，因为它会对功率、性能和面积产生负面影响。因此，提高产量的压力已经转移到设计团队身上。

“产量是统计上的可变性，”德赫斯说。“所以有规定，两条线只能这么近。这些都不是真正的规则。他们只是某个人的决定。但如果你把线放近一点，概率就会改变一点，再远一点，概率就会改变一次。例如，我们做的一件事是，当有空间时，我们故意把东西移得更远，因为这样可以改善统计。你必须首先优化速度和功率等变量，因为这是你的规格。其次，减少面积是好的，但减少拥堵真的很好，因为你不能在这些地方设置裕度。”

此外，与以前的方法相比，解决这些问题所需的资源更少，这降低了设计芯片或小芯片的公司的准入门槛。西门子的萨哈说:“现在它不像蛮力那样，因为它是数据驱动的。”“我们知道我们应该尝试哪些模拟，哪些模拟对达到目标最有效。这是一个关键的区别。你运行更少的模拟，10倍或20倍，仍然可以在你的库中获得较高的sigma。”

结论
AI/ML在EDA市场的应用正在扩散。有更多的工具正在被集成，EDA公司正在研究如何最好地利用AI/ML，同样重要的是，它并没有真正增加太多价值。

在设计流程的多个点上优化设计的能力对芯片制造商来说是一个巨大的胜利。目前还有待观察的是，这项技术的实施到底有多准确，以及它最终将如何将多个部分结合在一起。EDA工具提供商只是触及了AI/ML可以做什么的表面，但他们正在积极地集成更多的部件。时间会告诉我们这一切将如何运作，但至少在早期阶段，它看起来很有希望。