摩尔定律的终点正在逼近，工程师和设计师如何应对？目前他们能做的，首先是将晶体管小型化，再尽可能多地封装到芯片中。因此，他们正在转向其他芯片设计方法，将AI等技术融入到设计过程中。例如，三星正在将AI添加到内存芯片中，以实现内存处理、节省能源并加速机器学习。在速度方面，谷歌TPU V4 AI芯片的处理能力比之前的版本提高了一倍。
由于AI对半导体行业仍有更大的希望和潜力，为了更好地了解AI如何彻底改变芯片设计，IEEE Spectrum采访了MathWorks MATLAB平台的高级产品经理Heather Gorr。
如何使用AI设计下一代芯片？
Heather Gorr认为，AI是一项非常重要的技术，涉及芯片工艺的大部分环节，包括设计和制造过程。这里有很多重要应用，甚至在我们想要优化的一般工艺工程中。我认为缺陷检测在流程的所有阶段都是一项重要工作，尤其是在制造中。但即使在设计过程中提前考虑，当你设计灯光、传感器和所有不同的组件时，你确实需要考虑很多异常检测和故障缓解。
然后，想想你在任何行业中看到的物流模型，你总是希望减少计划内的停机时间；但是你最终也会遇到计划外的停机时间。因此，回顾一下历史数据，当有可能以比预期更长的时间来制造某些东西时，你可以查看所有这些数据并使用AI来尝试识别近似原因，或者查看即使在处理和设计阶段也可能出现的问题。我们通常认为AI是一种预测工具，或者是一个做某些事的机器人，但很多时候你会通过AI从数据中获得很多洞察力。
使用AI进行芯片设计的好处
从历史上看，我们已经看到了很多基于物理的建模，这是一个非常密集的过程。我们想做一个降阶模型，而不是解决这样一个计算量大且广泛的模型，我们可以做一些更便宜的事情。你可以创建一个基于物理的模型的代理模型，使用这些数据，然后使用代理模型进行参数扫描、优化、Monte Carlo模拟。与直接求解基于物理的方程相比，这在计算上花费的时间要少得多。因此，我们在很多方面都看到了这种好处，包括快速迭代实验结果的效率和经济性，以及真正有助于设计的模拟。
Gorr认为，从某种意义上说，这就像拥有一个数字孪生（digital twin）。这几乎就是人们正在做的事情，你有物理系统模型和实验数据，然后结合起来，你拥有另一个模型，你可以对其进行调整，并尝试不同的参数和实验，从而扫清所有这些不同的情况，并最终提出更好的设计。
数字孪生将使芯片设计更有效率、更便宜，尤其是在实验和设计阶段，你正在尝试不同的东西。如果你实际制造和生产芯片，这显然会显著节省成本。你想尽可能多地模拟、测试、实验，而不需要使用实际的工艺工程来制作东西。
使用AI进行芯片设计的缺点
Gorr说道，基于AI的实验模型往往不如基于物理的模型准确。当然，这就是你进行许多模拟和参数扫描的原因。但这也是拥有数字孪生的好处，你可以牢记这一点——它不会像我们多年来开发的精确模型那样准确。
芯片设计和制造都是系统密集型的；你必须考虑每一个小部分。这真的很有挑战性。在这种情况下，你可能有模型来预测某些事物及其不同部分，但你仍然需要将它们整合在一起。
还要考虑的另一件事是，你需要数据来构建模型。你必须整合来自各种不同传感器和不同类型团队的数据，这样就增加了挑战。
使用AI进行预测并提取见解
我们一直在考虑使用AI来预测一些事情或做一些机器人任务，但你可以使用AI来提出模式并自己挑选出你以前可能没有注意到的东西。当人们拥有来自许多不同传感器的高频数据时，就会使用AI，而且很多时候探索频域以及数据同步或重采样等事情很有用。如果你不确定从哪里开始，这些可能会非常具有挑战性。
Gorr强调说，要善于使用可用的工具处理和分析数据。有一个庞大的社区从事这些工作，你可以在 GitHub 或 MATLAB Central 上找到很多“应用程序和技术”示例，人们在这里分享了很好的示例，甚至是他们创建的小应用程序。我认为我们中的许多人都沉浸在数据中，只是不确定如何处理它，所以一定要利用社区中已经存在的东西。你可以探索和了解什么对你有意义，并在领域知识和你从工具和AI中获得的洞察力之间取得平衡。
使用AI进行芯片设计时，我们首先应该考虑最希望解决的问题，或者希望可能找到的见解，并试着弄清楚这一点。考虑所有不同的组件，并记录和测试这些不同的部分。考虑所有涉及到的人员，并以对整个团队都合理的方式进行解释和交接。
AI对芯片设计师工作的影响
AI将为更高级的任务释放大量人力资本。我们可以使用AI来减少浪费、优化材料、优化设计，但在决策制定时仍然需要人工参与。Gorr认为，这是人和技术携手合作的一个很好的例子，也是一个所有相关人员——即使是在制造车间——都需要对正在发生的事情有一定程度了解的行业，所以这是一个推进AI的伟大行业，因为我们如何测试事物，以及我们在将它们放入芯片之前如何思考它们。
Gorr认为，AI和芯片设计的未来很大程度上是由人决定的，要让人们参与到过程中并拥有可解释的模型。我们可以用建模的数学细节做很多事情，但这取决于人们如何使用它，过程中的每个人如何理解和应用它。在此过程中，所有技能水平的人的沟通和参与都将非常重要。我们将看到更少的超精确预测，更多的信息透明度，并进行共享和数字孪生，这不仅使用AI，还将使用我们的人类知识和许多人多年来所做的所有工作成果。
原文链接：
