傳統(tǒng)用于數(shù)字設(shè)計的CPU是否已經(jīng)達到了容量極限？

本文翻譯自Synopsys的官方文章：

在數(shù)字設(shè)計的Implementation過程中，從RTL到GDSII的每一步都是高度計算密集型的。在SoC層面，為了最小化互連的延遲，我們需要評估數(shù)百個partition的各種布局方案。一旦確定了布局方案，接下來就是進行每個partition內(nèi)的其余步驟，以實現(xiàn)全芯片的implementation和signoff。由于每一步的計算需求已經(jīng)很高，并且還要乘以partition的數(shù)量，這就引發(fā)了一個問題：傳統(tǒng)用于數(shù)字設(shè)計的CPU是否已經(jīng)達到了容量極限？GPU是否能夠滿足計算需求？

如今，GPU以其處理人工智能、機器學(xué)習(xí)、游戲和高性能計算等要求最為苛刻的工作負載而聞名。隨著芯片越來越大、越來越復(fù)雜，也許也是時候考慮用GPU來完成數(shù)字芯片設(shè)計的Implementation了。

CPU在EDA工作負載中的容量挑戰(zhàn)

CPU長期以來被認(rèn)為是計算機的“大腦”。擁有數(shù)十億個晶體管和多個處理核心，如今的CPU非常適合完成廣泛的任務(wù)，并且能夠快速完成。另一方面，GPU最初是為特定目的設(shè)計的，但隨著時間的推移，它們也轉(zhuǎn)變?yōu)橥ㄓ玫牟⑿?a target="_blank">處理器。

一般來講，EDA工具都是在基于x86處理器的CPU上運行的。然而，隨著多芯片設(shè)計等復(fù)雜架構(gòu)變得越來越普遍，我們正在接近CPU計算容量的限制。考慮到芯片設(shè)計團隊始終面臨的上市時間壓力，利用額外的工具和技術(shù)來加速芯片設(shè)計過程的任何方面都是有意義的。在驗證和分析方面，新思科技的PrimeSim和VCS仿真流程已經(jīng)從GPU加速中受益。雖然數(shù)字設(shè)計流程中的每個任務(wù)并不是都非常適合GPU，但有些任務(wù)確實可以加速。

最先進的高性能數(shù)據(jù)中心x86 CPU核心平均有64到128個核心，每個box最多約有200個核心。需要更多核心的任務(wù)需要分布在許多box上；如果網(wǎng)絡(luò)不夠快，這會產(chǎn)生一些開銷。RTL到GDSII流程和優(yōu)化技術(shù)包含許多相互依賴性。為了使流程中的每個任務(wù)能夠成功并行執(zhí)行，作業(yè)分布在CPU box之間的數(shù)據(jù)共享必須非?？焖伲舆t要小。然而，實際上，網(wǎng)絡(luò)延遲會妨礙周轉(zhuǎn)時間，使得完整的RTL到GDSII流程的分布式并行化變得不那么有吸引力。

另一方面，GPU核心可以輕松擴展。每個核心執(zhí)行的操作更少，而且非常微小，以至于你可以在一個插座中擁有數(shù)萬個核心，以提供巨大的處理能力，同時保持可管理的占用空間。能夠從大規(guī)模并行性中受益的任務(wù)非常適合GPU。然而，這樣的任務(wù)也必須是主要單向的，因為任何決策和迭代都會減慢進程和/或需要回到CPU進行“如果那么”決策。這排除了許多RTL到GDSII數(shù)字implementation流程中的任務(wù)，盡管并非所有任務(wù)都不適合。

使用GPU加速加快布局過程

在數(shù)字設(shè)計流程中，自動布局是已經(jīng)展示出在GPU上運行前景的一項任務(wù)。在商業(yè)環(huán)境中運行的原型中，新思科技的Fusion Compiler GPU加速布局技術(shù)相比CPU，已經(jīng)展示出顯著的周轉(zhuǎn)時間優(yōu)勢：

使用GPU放置一個3nm GPU流處理器設(shè)計，包含1.4M個可放置的標(biāo)準(zhǔn)單元和20個可放置的硬宏，僅需38秒，相比之下，CPU驅(qū)動的布局需要13分鐘

使用GPU放置一個12nm汽車CPU設(shè)計，包含2.9M個可放置的標(biāo)準(zhǔn)單元和200個可放置的硬宏，僅需82秒，相比之下，CPU驅(qū)動的布局需要19分鐘

結(jié)合新思科技DSO.ai的AI驅(qū)動自動設(shè)計空間優(yōu)化，我們預(yù)計將在相同的完成時間線上將AI驅(qū)動的搜索空間擴大15倍到20倍。這樣做可以使設(shè)計團隊實現(xiàn)更好的功耗、性能和面積（PPA）結(jié)果。

在許多方面，由于對最終設(shè)計PPA的高影響，布局和 floorplanning 是涉及最廣泛探索的implementation步驟。我們可以想象，即使GPU計算資源通常與強大的CPU計算集群分開，單個designer使用基于GPU的布局技術(shù)也能具有很高的生產(chǎn)力。然而，在RTL到GDSII 的implementation流程的其余部分中，通過CPU和GPU集群之間移動設(shè)計數(shù)據(jù)引入的延遲可能會限制吞吐量優(yōu)勢。

新的數(shù)據(jù)中心SoC正在設(shè)計中，CPU和GPU資源之間具有統(tǒng)一內(nèi)存，用于TB級工作負載。這些新興架構(gòu)消除了利用GPU加速所需的設(shè)計數(shù)據(jù)移動，并將允許我們考慮在數(shù)字設(shè)計流程中應(yīng)用GPU加速的其他位置，特別是當(dāng)設(shè)計師可以將GPU與AI驅(qū)動的implementation工具配對時，可以進行更快、更廣泛的探索和更好的結(jié)果。隨著像新思科技.ai這樣的AI驅(qū)動的全棧EDA流程解決方案產(chǎn)生更好的PPA結(jié)果、更快的達到目標(biāo)時間和更高的工程生產(chǎn)力，人們只能想象GPU加速的加入將如何進一步改變芯片設(shè)計。

總結(jié)

雖然芯片設(shè)計過程中的仿真部分對于在GPU上運行并不陌生，但很快數(shù)字設(shè)計流程的各個方面也將有機會利用GPU加速。對于大型芯片或復(fù)雜架構(gòu)（如多芯片設(shè)計），CPU在運行RTL到GDSII流程時所需的計算容量正在耗盡，無法達到期望的速度。憑借其可擴展性和處理能力，GPU有可能提供更快的周轉(zhuǎn)時間和更好的芯片結(jié)果。使用GPU驅(qū)動的放置器進行的原型實驗已經(jīng)將布局速度提高了多達20倍。隨著AI集成到EDA流程中，加入GPU可以形成一個強大的組合，以提高PPA（功耗、性能和面積）和上市時間。

審核編輯：劉清