利用人工智能改进复杂设计中的PPA

芯片设计的目标一直是优化功率、性能和面积(PPA)，但即使使用最好的工具和经验丰富的工程团队，结果也会有很大差异。

优化PPA涉及越来越多的权衡，这些权衡可能因应用程序、IP和其他组件的可用性以及工程师对不同工具和方法的熟悉程度而有所不同。例如，较大的处理器可以实现更高的性能，但也可以使用更小、更专门的处理元素，并将硬件和软件紧密集成在一起。因此，即使在相同的区域和相同的电力预算，也有不同的方式来实现相同的目标，最佳组合可能会根据特定的领域或供应商的需求而有所不同。

由于对安全的需求不断上升，这一问题变得更加复杂。根据设计的关键程度，安全性可以是主动的，也可以是被动的，这会影响功率和性能。它还会影响IC制造成本、上市时间、交货时间和供应商竞争力。

为了对所有这些可能的排列进行排序，EDA供应商越来越多地关注AI/ML，将各种AI功能集成到工具流中。到目前为止，结果是有希望的，正如麻省理工学院和德克萨斯大学奥斯汀分校的研究人员在一份报告中所报告的那样最近的一篇论文．研究人员得出结论，深度强化学习(深度RL算法)工具在某些任务上可以胜过人类。

在6个小时的实验中，研究人员将使用强化学习的图卷积神经网络方法与其他技术进行了匹配，包括传统的黑盒优化方法(贝叶斯优化，进化算法)，随机搜索，以及具有5年经验的人类专家设计师。实验结果表明，结合迁移学习的RL可以取得更好的效果。换句话说，基于人工智能的工具可以使晶体管的尺寸和设计移植更加有效和高效。(表4)。

如今，包括谷歌、英伟达、Synopsys、Cadence、三星和西门子在内的许多公司都已经开始在芯片设计中使用或预期使用人工智能。

人工智能将如何改变芯片设计格局?
直到最近，芯片都是由人类在电路和逻辑设计、路由、布局、模拟和验证中使用各种自动化设计工具来设计的，以最大限度地减少错误，同时减少时间和成本。这个过程可能相当乏味和耗时。

图1:半导体设计流程中的各个步骤。来源:eInfochips

设计芯片有很多步骤。该过程从芯片规格或架构定义开始，然后是设计流程中的各个步骤。在设计团队签字后，图形设计系统(GDS II)文件被发送到铸造厂。

当摩尔定律被用作主要指导时，这一过程得到了微调。但在finFET时代，随着扩展的好处开始减少，芯片制造商开始寻找实现PPA改进的新方法。这大大增加了设计的复杂性，使得按时和按预算交付工作硅变得更加困难。

“设计28nm芯片的平均成本为4000万美元，”国际商业战略(IBS)首席执行官汉德尔·琼斯(Handel Jones)表示。“相比之下，设计7nm芯片的成本为2.17亿美元，而设计5nm器件的成本为4.16亿美元。3nm设计成本将高达5.9亿美元。”

此外，虽然每个新节点的晶体管数量从数千个增加到数十亿个，但这些设计越来越多样化，而且往往涉及某种形式的高级封装。现在，除了在相同的空间中塞入更多的晶体管，还需要解决涉及功率密度、散热、各种类型的机械和电气应力、接近效应以及可能影响整体芯片行为的环境问题。所有这些都增加了设计过程的时间，这反过来又提高了成本。更糟糕的是，芯片制造商在更短时间内引入先进节点设计的持续压力可能导致代价高昂的错误。

利用人工智能提高效率
将AI添加到芯片设计中可以帮助管理复杂性，减少错误，缩短开发周期。例如，在芯片设计中使用传统工具进行路由可以自动化90%的工作。一个有经验的设计师仍然需要完成最后的10%，最后可能会更关注如何让一个正常运行的芯片走出门而不是PPA优化。人工智能可以减少花在最后10%的时间。

“这一切都是关于效率的。Rambus．“从本质上讲，人类设计师使用工具来实现优化。但人工智能可以在更少的周期内加快速度。人工智能引擎可以输入预先设定的规则来实现更好的推理。应用强化学习规则，基于人工智能的设计工具将会越来越好。随着时间的推移，它将帮助设计人员实现几乎零错误的解决方案，优化PPA的效率比人工更好。此外，由于速度是这里的一切，考虑芯片到芯片的内存速度也很重要，因为人工智能需要快速访问大型数据库。”

其他人也同意。“人工智能将进一步实现芯片设计自动化，特别是在布局过程中。已经证明，在模拟电路设计中使用机器学习已经提高了生产率。在布局上，机器学习将用于建议finFET节点中的最佳设备布置，以最大限度地减少互连寄生。当芯片设计涉及MEMS时，如加速度计和陀螺仪。AI可用于参数化设计流程，协同设计IC和MEMS器件。这将使设计人员能够比使用传统设计流程更快地集成MEMS、IC和软件，使设计人员的工作更加轻松，”英特尔IC设计组产品工程总监John Stabenow评论道西门子数字工业软件．

人工智能如何学习
在很短的时间内，人工智能机器在模式识别和匹配方面可以比人类做得更好。人工智能不会从零开始学习。在大多数情况下，AI代理(处理器)将被预先训练或输入大量数据，例如15,000个楼层规划样本。到目前为止，人工智能算法已经包含了一些智能。

此外，人工智能将利用强化学习(RL)来优化结果。RL是一种机器学习技术，帮助智能体在其交互环境中根据自己的经验进行试错学习。这个过程使用奖励和惩罚模型。AI模型将从初始状态(输入)开始，并交付某些结果(输出)。

然后设计师将奖励或惩罚模型。该模型将不断学习，并根据所获得的最大奖励提供最佳结果。当工程师接受来自AI模型的建议时，AI模型会将其视为奖励。相反，当工程师因为认为有更好的解决方案而拒绝或否决AI建议时，AI模型会认为这是一种惩罚。RL的学习过程还在继续。随着时间的推移，人工智能模型会变得越来越好。

”机器学习是人工智能的一个子集，指的是机器在没有外部编程的情况下思考的能力，”西门子数字工业软件高级副总裁兼总经理拉维·萨勃拉曼尼亚说。“传统设备的编程带有一套如何行动的规则，然后采用if-then-else语句的形式。但机器学习使设备能够根据它们接收的数据不断思考如何采取行动。”

萨勃拉曼尼亚表示，人工智能要想学习，有三件事是必要的:

• 一个数据池，也就是数据湖。它可以采用RTL IP、GDSII、C代码或SPICE网列表的形式。
• 该模型使基于人工智能的系统能够适应、学习、即兴发挥和自我推广，从而可以根据新的输入而不是来自数据湖进行预测。
• 必须存在基于某种度量的决策函数，基于实现度量的奖励机制应该是可靠的。

“人工智能本身不做决定，”他解释说。“人工智能是关于一个系统在新环境中适应和即兴发挥的能力，概括其知识并将其应用于不熟悉的场景。这个定义来自于谷歌的人工智能研究负责人弗朗索瓦·乔莱特。”

AI指标
不像汽车，有标准的方法来测量每加仑汽油的英里数或每次充电的距离，没有标准的方法来衡量使用人工智能的结果。每个设计都是独一无二的，使用的工具也各不相同。然而，整个行业都报告了使用基于人工智能的芯片设计工具提高生产率的情况。

例如，谷歌将人工智能应用于楼层规划，他们发现，在不到6小时的时间内，工程师们就可以完成以前需要几个月的工作。通过PPA优化，两者都提供了可制造芯片的结果，但人工智能的生产率明显更高。

“在芯片设计过程中添加人工智能肯定会提高效率，”英特尔产品管理集团总监罗德·梅特卡夫(Rod Metcalfe)表示抑扬顿挫的Digital & Signoff集团。“例如，使用AI的5nm移动CPU可以将性能提高14%，泄漏功率提高7%，密度提高5%。这可能意义重大。”

这些改进在其他应用程序中得到了响应。该公司人工智能解决方案高级总监Stelios Diamantidis表示:“使用基于人工智能的设计技术，我们的客户表示，与手动调优相比，他们能够显著降低25%或更多的功耗。Synopsys对此．“这种对已经优化的设计的改进是惊人的。”

AI在芯片设计中的未来
将10亿个晶体管挤进一个芯片对大多数人来说是不可想象的。但在2021年6月，Synopsys报告称，其迄今为止最大的芯片拥有1.2万亿个晶体管和40万个人工智能优化的内核，面积为46,225平方毫米。对于人类设计师来说，用传统的设计工具来设计这种尺寸的芯片几乎是不可能的。

寒武纪AI Research创始人兼首席分析师Karl Freund表示:“使用人工智能来加速和优化芯片设计的好处现在是既定的，至少就主要芯片供应商而言是这样。”像Synopsys DSO这样的系统。人工智能are saving companies time and money, and producing chips with lower power, higher performance, and less area. Now the industry is turning its attention to the next steps beyond optimizing physical designs, such as system-level optimization, software/algorithm optimization, and even design verification. The entire industry will benefit from these innovations, as will the consumers of faster, less power-hungry, and lower cost silicon.”

所有主要的EDA公司都在将AI功能注入到他们的工具中。但他们不仅可以把更多的东西塞进一个更小的空间，还可以把更多的东西塞进一个更大的空间。

图2:大脑晶圆大小的芯片。资料来源:大脑系统

Cerebras Systems的第二代芯片采用7纳米工艺开发，包含2.6万亿个晶体管和85万个人工智能优化核心。它现在是世界上最大的人工智能应用芯片。它大约有餐盘那么大。相比之下，最大的GPU只有540亿个晶体管。Cerebras的芯片需要40 GB的晶圆内存来支持人工智能计算。为了设计这样的芯片，需要基于人工智能的芯片设计工具。

此外，在未来的几个月和几年里，除了PPA问题外，还需要集成芯片的安全性，人工智能也可以帮助解决这一问题。

西门子的萨勃拉曼尼亚指出了人工智能已经在使用的四个领域。“他们可能正在使用人工智能作为解决特定问题的传统方法的替代方案。他们可能会使用人工智能来创建设计或验证IC的新方法，也可能会使用人工智能工具来减少错误或缩短获得最佳结果的时间。或者，他们可能正在构建一个人工智能芯片，在这种情况下，设计师正在创建一个新的计算架构来解决问题，而该架构是基于人工智能或机器学习原理的。”

结论
当问题以AI能够理解的方式明确定义时，AI在设计中表现最佳。因此，IC设计师必须首先查看是否存在与系统适应、学习和概括知识/规则的能力相关的问题，然后将这些知识/规则应用到不熟悉的场景中。

“了解是否存在一个非常适合人工智能的问题是第一步，也是最重要的一步，”萨勃拉曼尼亚说。“这可能是整个过程中最重要的阶段。”

到目前为止，人工智能已经在许多领域得到了应用，未来毫无疑问会有更多的领域得到开发。人工智能将继续存在。现在的问题是，它还能做什么?