
优化功耗、性能和面积(PPA)一直是芯片设计中的三个重要目标。但即使是最好的设备和经验最丰富的工程团队也无法保证优化结果的稳定性。
优化PPA的过程正受到越来越多因素的制约:应用、IP和其他组件的可用性不同,工程师对不同工具和方法的熟悉程度也不尽相同。例如,同样的设计目标既可以用更大的处理器实现更高性能,也可以用更小、更专业的处理元件更紧密的结合软件来实现。因此,即使在相同领域和相同的功率设计目标下,也会有许多不同的方法可以实现相同的目标。并且方案优劣的评价标准也是因领域和供应商的具体需求而异的。
另外,由于对芯片安全性的需求不断增加,优化过程变得愈加复杂。根据设备使用场景的重要性,其安全需求也各不相同。安全级别的高低会影响芯片功率和性能的设计,进一步影响IC制造成本、上市时间、交货时间和供应商的竞争力。
为了缕清这些因素,EDA供应商开始寻求人工智能和机器学习技术的帮助。芯片供应商们正致力于将各种AI功能集成到工具流中。根据麻省理工学院和德克萨斯大学奥斯汀分校的研究人员的论文,迄今为止该领域研究成果喜人。研究人员表示,使用了深度强化学习算法的设备在某些任务上的表现已经超过了人类。
在六个小时的实验中,研究人员通过对比使用强化学习的图卷积神经网络方法、传统的黑盒优化方法(贝叶斯优化、进化算法)、随机搜索方法、具有五年经验的设计师这四者的成果得到结论:带有迁移学习的强化学习方法可以取得更好的效果。换言之,基于人工智能的工具可以使晶体管设计更加高效。
如今,包括谷歌、英伟达、新思科技、Cadence、三星和西门子在内的许多公司都已经有在芯片设计中使用人工智能的计划,其中部分公司甚至已经在生产中进行这种尝试。
人工智能将如何改变芯片设计格局?
直到最近,人们在电路和逻辑设计、布线、布局、仿真和验证中使用各种自动化设计工具来设计芯片,以最大限度地减少错误,同时减少时间和成本。该过程可能非常乏味且耗时。

图 1:半导体设计流程中的各个步骤。
设计芯片有很多步骤。该过程从芯片规范或架构定义开始,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) 文件将发送到代工厂。
当摩尔定律被用作主要指导时,这个过程得到了微调。但随着 finFET 时代微缩的好处开始减弱,芯片制造商开始寻找新的方法来实现 PPA 改进。这显着增加了设计复杂性,使得按时按预算交付工作芯片变得更加困难。
“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说。“相比之下,设计一个 7nm 芯片的成本是 2.17 亿美元,设计一个 5nm 器件的成本是 4.16 亿美元。3nm 设计将耗资高达 5.9 亿美元。”
此外,虽然每个新节点的晶体管数量已从数千个增加到数十亿个,但这些设计的异构性越来越高,而且它们通常涉及某种形式的先进封装。现在,不仅仅是将更多的晶体管塞进同一个空间,还有一些问题需要解决,包括功率密度、散热、各种类型的机械和电气应力、邻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,进而增加了成本。更糟糕的是,芯片制造商在更短的时间内推出先进节点设计的持续压力可能会导致代价高昂的错误。
人工智能如何提高芯片开发效率?
将 AI添加到芯片设计中有助于管理复杂性、减少错误并缩短开发周期。例如,在芯片设计中使用传统工具进行布线可以自动化 90% 的工作。仍然需要一位经验丰富的设计师来完成最后 10% 的工作,最终可能会比 PPA 优化更关注将功能芯片推出市场。人工智能可以减少花在最后 10% 上的时间。
“一切都与效率有关,” Rambus的研究员和杰出发明家 Steven Woo 说。“本质上,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使其更快。可以为 AI 引擎提供预设规则以实现更好的推理。应用强化学习规则,基于人工智能的设计工具会越来越好。它将帮助设计人员随着时间的推移实现几乎无错误的解决方案,优化 PPA 的效率比人类单独可以达到的效果更好。此外,由于速度就是一切,因此考虑芯片到芯片的内存速度也很重要,因为 AI 需要快速访问大型数据库。”
其他人同意。“人工智能将进一步自动化芯片设计,尤其是在布局过程中。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力。在布局上,机器学习将用于建议 finFET 节点中的最佳器件布局,以最大限度地减少互连寄生效应。当芯片设计涉及加速度计和陀螺仪等 MEMS 时。人工智能可用于参数化设计流程,以共同设计 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,从而使设计人员的生活变得更加轻松,” Siemens Digital Industries Software的 IC 设计部门产品工程总监 John Stabenow 评论道。
人工智能如何学习?
人工智能机器可以在很短的时间内在模式识别和匹配方面做得比人类好得多。AI 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 个平面规划样本。至此,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,可帮助代理根据自身经验通过反复试验在其交互环境中进行学习。该过程使用奖励和惩罚模型。AI 模型将从初始状态(输入)开始,并提供某些结果(输出)。
然后设计师将奖励或惩罚模型。该模型将根据获得的最大奖励不断学习并提供最佳结果。当工程师接受 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了 AI 建议时,AI 模型会将其视为一种惩罚。RL 学习过程继续进行。随着时间的推移,人工智能模型变得越来越好。
“机器学习是 AI 的一个子集,指的是机器在无需外部编程的情况下进行思考的能力,”Siemens Digital Industries Software 高级副总裁兼总经理 Ravi Subramanian 说。“传统的设备被编程了一套关于如何行动的规则,然后采取 if-then-else 语句的形式。但机器学习使设备能够不断思考如何根据它们接收的数据采取行动。”
Subramanian 说,要让 AI 学习,需要三件事:
一个数据池,即数据湖。它可以采用 RTL IP、GDSII、C 代码或 SPICE 网表的形式。
一种模型,使基于 AI 的系统能够适应、学习、即兴发挥和概括自身,因此它可以根据新的输入而不是来自数据湖的输入进行预测。
必须存在基于某个度量的决策函数,并且基于实现该度量的奖励机制应该是可靠的。
“人工智能本身并不做决定,”他解释说。“人工智能是关于系统在新环境中适应和即兴发挥、概括其知识并将其应用于陌生场景的能力。这个定义来自谷歌人工智能研究负责人 Francois Chollet。”
人工智能指标
与汽车不同,汽车有标准的方法来衡量每加仑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,整个行业都报告说使用基于人工智能的芯片设计工具提高了生产力。
例如,谷歌将人工智能应用于平面规划,并发现他们可以在不到六个小时的时间内完成以前工程师几个月才能完成的工作。两者都通过 PPA 优化提供了可制造芯片的结果,但使用人工智能显着提高了生产力。
“将人工智能添加到芯片设计过程中肯定会提高其效率,” Cadence数字与签核集团产品管理组总监 Rod Metcalfe 说。“例如,使用 AI 的 5nm 移动 CPU 可以提高 14% 的性能,提高 7% 的泄漏功率和 5% 的密度。这可能很重要。”
这些改进在其他应用程序中得到了体现。Synopsys人工智能解决方案高级总监 Stelios Diamantidis 表示:“使用基于 AI 的设计技术,我们的客户表示他们能够显着降低功耗——与手动调整相比,功耗降低了 25% 或更多。 ” “这种对已经优化设计的改进是惊人的。”
AI在芯片设计领域的未来
将10 亿个晶体管挤入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,其迄今为止制造的最大芯片拥有 1.2 万亿个晶体管和 400,000 个 AI 优化内核,面积为 46,225 平方毫米。使用传统设计工具的人类设计师几乎不可能设计出这种尺寸的芯片。
Cambrian AI Research 创始人兼首席分析师 Karl Freund 表示:“使用 AI 来加速和优化芯片设计的好处现在已成定局,至少就主要芯片供应商而言。” “像 Synopsys DSO.AI 这样的系统正在为公司节省时间和金钱,并生产出功耗更低、性能更高、面积更小的芯片。现在,业界正将注意力转向优化物理设计之外的下一步,例如系统级优化、软件/算法优化,甚至设计验证。整个行业都将从这些创新中受益,更快、耗电更少、成本更低的硅的消费者也将受益。”
所有主要的 EDA 公司都在将 AI 功能注入他们的工具中。但是,他们不仅可以将更多东西塞进更小的空间,还可以将更多东西塞进更大的空间。

图 2:Cerebras 的晶圆尺寸芯片。
Cerebras Systems 的第二代芯片采用 7nm 工艺开发,包含 2.6 万亿个晶体管和 850,000 个 AI 优化内核。它现在是世界上最大的人工智能应用芯片。它大约有一个餐盘那么大。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 AI 计算。要设计这样的芯片,需要基于人工智能的芯片设计工具。
此外,在未来几个月和几年内,除了 PPA 问题之外,还需要集成芯片安全性,人工智能也可以提供帮助。
西门子的 Subramanian 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。他们可能正在使用人工智能来创建一种关于如何设计或验证其 IC 的新方法。他们可能正在使用人工智能驱动的工具来减少错误或达到最佳结果的时间。或者,他们可能正在构建一个 AI 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,而该架构基于使用 AI 或机器学习原理。”
结论
当问题以人工智能可以理解的方式明确定义时,人工智能在设计中的效果最好。因此,IC 设计人员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。
“了解是否存在非常适合人工智能的问题是第一步,也是最重要的一步,”Subramanian 说。“这可能是整个过程中最重要的阶段。”
曾经人们对于AI可能会昙花一现的顾虑已经消失。如今站在面向未来的交叉路口上,人们正憧憬的眺望。一个新问题此时在人们的脑中回荡:“人工智能还能够做什么?”这个问题的答案或许就是交叉路口上应该竖起的路标。
原文链接:https://semiengineering.com/improving-ppa-in-complex-designs-using-ai/









