当AI-driven EDA流可以承担重复性任务,工程师获得带宽bug修复和进一步推进他们的设计工作。
Taruna Reddy和罗伯特·鲁伊斯
这些天来,这个问题与其说是AI能做什么和不能做什么。从街谈巷议聊天机器人就像ChatGPT到自动驾驶汽车,人工智能已经成为普遍的在我们的日常生活。甚至行业,它也许是一个不太可能的健康,像芯片设计,正受益于更大的智慧。
如果最费力、耗时的步骤开发一个芯片可以得到情报的震动速度first-time-right硅?想象的可能性将人工智能集成到芯片的验证和调试阶段,特别是芯片只是变得更加复杂。
当然,较为达到验证目标速度和覆盖范围,最终,找到更多的错误。数字设计大量的设计状态空间中可以操作。这是几乎不可能手动分析所有这些空间并有足够的可操作的见解不同。
但如果AI可以介入并伸出援手,验证工程师可以专注于解决发现的bug。想象你的硅的可能性的设计。
芯片复杂性已经突飞猛进的增长,和半导体行业正面临一系列高调的挑战。从3月到埃multi-die集成和节点快速迁移,从来没有更需要找到创新的解决方案,同时提高工程效率。最出类拔萃,但是,需要一个昂贵的资源,很大程度上是由于逻辑和功能问题。正因为如此,永远不可能有足够的验证…然而,成本和上市时间的压力禁止一个环形验证和调试。
验证过程一旦开始RTL芯片设计是建立和设计状态空间配置。验证工程师需要检查每一个空间,以确保最终设计工作。关闭报道背后的目标是确保整个设计工作功能,因为它应该。
有三个主要挑战覆盖关闭:
在传统的验证周期,验证工程师将设定一个目标并运行回归环境。作为这个过程的一部分,工程师们建立testbenches生成随机刺激响应设计。也不是什么罕见的有10000年至15000年为给定的设计、测试和验证团队通常没有意义的ROI是每个测试。回归可以运行几天,占用了宝贵的计算资源。
有两个迭代循环,花大量的时间在验证周期,调试运行后故障和修复bug回归和覆盖关闭。报道的重复性质关闭可能会非常耗时,包括覆盖分析,作出调整报道中发现漏洞后,再做吧…和…一次又一次。然后,当团队发现失败,他们需要分析它们,RTL或testbench做出更改,并重新运行回归,以确保错误实际上是固定的。这部分也是一个迭代循环。
也并不少见的最后一点报道关闭过程是最艰苦的。彻底的手工分析大量的数据,整个过程生成并不是可行的,所以团队通常离开需要更多见解设计缺陷的根源。
一个迭代循环的光明的一面是潜在的学习——这就是人工智能,尤其是机器学习(ML),可以发挥关键作用。如果一个毫升引擎可以从特定的模式,它会,例如,可以识别可能是一个错误从testbench一行代码。知道了这一点,它能够应用这个洞察未来的回归,使更快关闭和报道,尤其是在系统训练,可能更高水平的报道。
人工智能半导体行业的大进展。的Synopsys对此DSO.ai人工智能芯片设计申请最近创下100生产tape-outs。通过自动寻找优化目标芯片设计的解决方案空间大,DSO。人工智能可以帮助提高工程效率随着芯片的功率,性能和面积(PPA)。
在验证方面,减轻前面提到的调试和修复周期,解决方案等Synopsys对此威尔第自动调试系统与回归调试自动化(RDA)技术提供AI-driven芯片验证。使用此功能,用户可以利用的预测分析,自动定位的手册和容易出错的过程design-under-test和testbench失败的根源。更多的创新自动化调试周期是在地平线上,最终朝着一个完全自动化的调试和修复循环在没有人为干预的情况。
这些例子仅仅是开始的肯定,因为有更多的EDA过程更大的智力可以帮助工程师工作更有成效地产生更好的结果。例如,如果AI可能提供一个更好的了解需要额外的保险是什么?如果更大的情报可以最小化浪费时间和精力在运行回归?或者如果它可以帮助更快的根源分析?也许一个任务通常需要几天可以减少到几个小时的时间,可能释放资源,用于额外的项目和/或更多的增值任务。
我们的世界需求的复杂问题更复杂的计算系统来解决它们。自动化和智能可以补充,工程师的工作,提高工作效率,使设计和验证专家专注于创造差异化硅芯片使这些系统的生活。当AI-driven EDA流可以承担重复性任务,工程师获得带宽bug修复和进一步推进他们的设计工作。从设计空间探索范围和调试循环和更多,人工智能的领域可以产生不可磨灭的影响是广泛而巨大的。
了解更多关于人工智能的可能性可以使验证和调试周期在即将到来的舒适的硅谷会议,AMD将讨论coverage-regression优化在随机模拟在11点15分3月29日在圣克拉拉会议中心。也将是一个中午,3月29日午餐小组讨论AMD、元,和英伟达,探索“人工智能是如何驾驶EDA的下一个创新浪潮。”注册舒适的硅谷今天!
罗伯特·鲁伊斯是产品线管理主任Synopsys对此EDA组。
留下一个回复