• 收藏

  • 点赞

  • 评论

  • 微信扫一扫分享

【芯视野】融入AI技术的EDA才称得上设计自动化

来源:爱集微

#芯视野#

09-26 12:15

EDA的全称是电子设计自动化(Electronic Design Automation),但其现在只能算是一种半自动化的工具,大量的工作还需要人工来操作。只有当AI技术开始融入之后,EDA工具才开始真正走向了自动化之路。

AI已无处不在

有报道指出,三星近期正与新思科技合作,将AI技术融入到芯片的设计中。据三星电子执行总裁Jaehong Park表示,通过AI技术找到了一个系统化的最优解决方案,超越了此前可以达到的芯片PPA(功率、性能和面积)效果。

将AI用于芯片设计已经不是头一回了,谷歌就已将AI用在了TPU芯片的设计中,英伟达也正在用AI算法来优化5nm和3nm芯片的设计,还有越来越多的芯片公司也将步其后尘。从下图就可以看出,AI的应用已经深入整个IC产业链。

图 从芯片设计到生产,使用AI最多的5个领域(数据来源:Gartner)

最为积极的还是EDA公司,毕竟AI将是改写行业发展进程的大事件。近两年来,采用AI技术的EDA方案更是层出不穷。比如,新思科技推出了DSO.ai,探索搜索空间、观察设计随时间的演变情况,同时调整设计选择、技术参数和工作流程。Cadence发布了Cerebrus,采用了类似用合成技术取代原理图人工绘制的方法,打破芯片设计必须依靠人力的局限。西门子EDA(Mentor)则在OPC矫正中引入了机器学习方法,大幅提升了输出预测精度并缩短了预测时间。

数据快速提取模型、布局和布线、电路仿真模型、PPA的优化决策都是EDA运用AI的方向。其中,芯片设计后端(或称物理实现)尤其是布局布线则是AI使用的密集区域。

对于这种现象,行业专家陈春章博士认为,后端与逻辑器件的物理形状及摆放紧密相关因此是利用机器学习对图像图形识别的最好场所。

物理实现被简称为后端,后端工作被简化为布局布线,均与算法及自动化相关,也是最耗时的,因此被选为主攻对象还有DFM也与图形填充相关,ML(深度学习)也做了很多。”他进一步解释。

芯华章在其《EDA2.0白皮书》中就表示,芯片验证的过程是提出约束条件,利用动态仿真和静态分析的方法,达到功能、覆盖率、等价性、功耗、工艺要求等验证目的,这也是芯片设计流程中最耗时间和需要人力经验的部分。

工程师在进行布局布线时,往往面对数量庞大的网表图节点、网表图放置的网格粒度,需要数周的迭代才能找到满足多项设计标准的解决方案。加之要综合考虑 (PPA),还需注意密度和布线拥塞等方面的限制,也许只有AI能把工程师从繁杂的工作中解放出来。

“Cerebrus这类EDA工具对于刚毕业的学生或比较缺乏经验的新手帮助巨大,让他们可以很快地解决在芯片设计中要面对的问题。”Cadence公司数字与签核事业部产品工程资深群总监刘淼谈到了EDA工具的实际意义。

从工程学角度看芯片设计,就是利用参数去实现目标,基本的方法是建立参数和目标之间的联系网络,使用深度学习则会提高网络的效率。一位行业资深人士告诉集微网,“在不太涉及实际物理规律的应用比如版图布局布线中,非常适合采用机器学习的方法。”

导入机器学习的还不止布局工具,布局完成之后的仿真与分析流程中也出现了机器学习的应用实例,那些采用最先进制程、晶体管数目已达几十亿个的巨型SoC,在设计仿真与分析的过程中,更适合采用机器学习。

刘淼分享了一个案例:“车规芯片最重要的是不能失效,否则将引出重大安全问题,在帮助瑞萨设计车规芯片时,我们用Cerebrus来测试流程,当时有400万种可能的流程,Cerebrus只跑了80个就实现了定位,给这一芯片带来了10%的性能提升。”

在芯片开发过程中,AI可以发挥的环节相当多,不过其终究是一项工具,使用者必须先厘清什么问题最适合用ML或深度学习(DL)来解决,后面才能逐步展开,进行训练数据搜集、发展模型等工作。正如陈春章所言,做ML应该首先理解目前EDA的方法其次要了解工程和芯片。

挑战和应对

国外一位从事机器学习的教授指出,机器学习方法能够从多种工具的顶层提取数据来做整体的分析。他表示,解决整个数据库的问题不是单纯地读取其他工具的输出,而是做数据聚合和数据挖掘之后,当最终得到所有这些工具的统计结果时,它所描绘的是一种非常宏观图景。就洞察力而言,机器学习独一无二。”这位教授总结道。

这么强大的工具要发挥作用,需要庞大的数据来“喂饱”它。每个芯片设计项目均会生成众多的数据,其中包含着该设计的演变,展示了工程师为实现目标所做的工作。这些用人工很难分析的数据正好是机器学习最好的训练材料。

现在的难点在于这些数据的获取。集微咨询高级分析师陈跃楠认为,芯片数据训练的成本较高,特别是对数据的可靠性要求很高,因此获取数据的成本也很大。

数据对于各家芯片公司都是最宝贵的财富,不可能轻易贡献给EDA公司来做数据训练。不过,EDA公司也有自己的办法。刘淼就表示:“跟芯片厂商去合作,拿他们的数据去优化我们的工具是不可能的,但是可以跟产业的其他环节合作,比如台积电这样的晶圆厂合作工艺线是需要调的,我们可以用这些数据来优化模型”这种合作模式也是双赢的局面,EDA公司得到了数据,晶圆厂的工艺流程得到了打磨。

然则有了数据之后,对于AI在EDA中的使用,很多人还是有顾虑的。最大的担心就是设计工程师的饭碗不保。

这种担心也不无道理。将AI融入EDA方法学中,机器就可以观察和收集到所有工程师的经验,通过不间断学习来变得越来越稳定,逐渐摆脱对人的经验的依赖。

很多业内人士不认为情况会这么严重,因为要实现高品质的IC设计,人还是最关键的因素。在没有AI的状况下,EDA工具可以使得工程师的生产力提高,但是增加了AI之后,EDA工具可以做得更好。在架构设计、系统综合等层面,工程师还可以发挥更多的聪明才智。

刘淼就表示:“EDA中使用AI是为了完成80%的重复性工作,还有20%更加有价值的工作依然要靠人力去完成的,引入AI最终还是为了释放设计者的创作力。”(校对|艾檬)

责编: 慕容素娟

李延

作者

微信:Glxy523

邮箱:lixy@lunion.com.cn

作者简介

集微网记者,关注半导体投资、晶圆制造、IC设计、AI等领域

读了这篇文章的人还读了...