EDA企業(yè)如何推進(jìn)機(jī)器學(xué)習(xí)部署

AI是未來，機(jī)器學(xué)習(xí)是現(xiàn)在。

機(jī)器學(xué)習(xí)（ML）正在成為EDA行業(yè)的競爭先決條件。大型芯片制造商正在認(rèn)可并要求它，大多數(shù)EDA公司正在將其部署在設(shè)計流程中的一個或多個步驟中，并計劃隨著時間的推移添加更多步驟。

最近幾周，三大 EDA 公司在各自的用戶活動中全面宣布將 ML 納入其工具，整個芯片行業(yè)都在朝著類似的方向發(fā)展。機(jī)器學(xué)習(xí)非常適合芯片設(shè)計。它教機(jī)器如何基于模式識別執(zhí)行特定任務(wù)，并且結(jié)果通常非常準(zhǔn)確。

這與更廣泛的人工智能形成對比，（盡管由于這些術(shù)語經(jīng)?；Q使用而引起廣泛混淆）人工智能允許機(jī)器更獨立地運行。完整的 AI 需要更多的數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)果通常以概率的形式提供。數(shù)據(jù)越多，數(shù)據(jù)越相關(guān)，準(zhǔn)確性就越好，這就是為什么智能手機(jī)和汽車中的人工智能培訓(xùn)大部分是在超大規(guī)模數(shù)據(jù)中心完成的。

芯片設(shè)計中使用的數(shù)據(jù)量相對較小，問題非常復(fù)雜，并且通常是特定于設(shè)計的。因此，雖然EDA供應(yīng)商繼續(xù)試驗AI用于各種用途，但最初的實現(xiàn)集中在一個稱為強(qiáng)化學(xué)習(xí)的子集上。這與監(jiān)督和無監(jiān)督學(xué)習(xí)一起，是三種主要的機(jī)器學(xué)習(xí)方法。強(qiáng)化學(xué)習(xí)本質(zhì)上是按比例獎勵行為，對最佳行為的獎勵最高，并根據(jù)持續(xù)的反饋動態(tài)調(diào)整該行為。

Siemens Digital Industries Software的 IC EDA 執(zhí)行副總裁 Joseph Sawicki 說：“想想芯片的物理設(shè)計和你對其進(jìn)行的測試”?！皩嶋H上有數(shù)十億種模式，你可以將這些模式與它們在某些網(wǎng)段上的位置相關(guān)聯(lián)等等。然后你得到的測試數(shù)據(jù)告訴你，‘這個設(shè)計失敗了?！?我運行了一些額外的向量并得到了一堆不同的失敗日志，所有這些都告訴我在某些邏輯錐中我失敗了。所以現(xiàn)在我有了一個龐大的電路設(shè)計和這些邏輯錐，我可以看看一個神經(jīng)網(wǎng)絡(luò)，它可以被訓(xùn)練來表明，鑒于這個物理設(shè)計，看起來那個邏輯錐是壞的，我的失敗很可能發(fā)生在這個領(lǐng)域。然后我可以將其與物理模式相關(guān)聯(lián)。在一個案例中，我們告訴一位客戶，‘你的 Via 5 鎢沉積發(fā)生在這家晶圓廠的這條生產(chǎn)線上，這很糟糕。果然，它不符合規(guī)格?！?/p>

這也允許在更短的時間內(nèi)進(jìn)行更廣泛的實驗。Synopsys總裁兼首席運營官 Sassine Ghazi 表示：“過去的做法是，通常用戶運行不同的組合，然后他們達(dá)到某個 PPA。”“現(xiàn)在，系統(tǒng)正在尋找所有優(yōu)化空間，并智能地啟動多個作業(yè)。有時它會啟動工作，而在 10% 時它會終止它，因為它知道它不會在任何更好的地方領(lǐng)先。然后它備份并啟動一個不同的分支，它說，‘這是我能提供的最好的結(jié)果?！?/p>

圖 1：強(qiáng)化學(xué)習(xí)模型。來源：新思科技

從長遠(yuǎn)來看，設(shè)計的復(fù)雜性遠(yuǎn)遠(yuǎn)超過了人腦在合理時間內(nèi)對所有可能的組合和交互進(jìn)行分類的能力。

是德科技PathWave 軟件解決方案副總裁兼總經(jīng)理 Niels Faché 表示：“我們使用 AI/ML 進(jìn)行一些器件建模和表征?！薄叭魏螘r候當(dāng)你著眼于優(yōu)化設(shè)計并運行大量模擬時，它都可以使這個過程更加高效。例如，考慮一個 6G 系統(tǒng)，您必須在其中配置不同的通道。標(biāo)準(zhǔn)方法是模擬很多不同的條件，可能需要很長時間才能找到最佳結(jié)果。我們可以大大加快這一進(jìn)程。因此，對于 6G，它將會發(fā)揮很大的作用，而這正是我們正在努力的事情?！?/p>

同樣，Ansys 正在將其用于創(chuàng)建電網(wǎng)等應(yīng)用。Ansys產(chǎn)品營銷總監(jiān) Marc Swinnen 表示：“這是在平面規(guī)劃階段的早期完成的”。“有一些基本問題，比如會有多少條帶子，什么樣的間距，以及這些帶子有多寬？我在拐角處放置了多少個過孔？幾環(huán)？這些是基本的架構(gòu)問題，并且有很多很多可能的組合。我們要使用哪些圖層？我們有一個應(yīng)用程序，您可以在六個參數(shù)中對其進(jìn)行表征，并計算出最佳間距和最佳過孔密度，從而為您提供最佳功率。熱能也比我們最初預(yù)期的來得早。當(dāng)我們開始研究電熱時，我們正在考慮簽收，但很快就發(fā)現(xiàn)人們最關(guān)心的是最初的原型設(shè)計階段。他們想要快速估計如何組裝這些多管芯系統(tǒng)，甚至是布局規(guī)劃，因為如果你一開始就把它的平面布置錯了，最后你只描述了熱特性，然后把兩個非常熱的東西靠得很近，那將是一場災(zāi)難。很難從中恢復(fù)過來，所以它必須在流程的早期發(fā)生?！?/p>

?熱啟動與冷啟動

強(qiáng)化學(xué)習(xí)尤其可以顯著幫助設(shè)計團(tuán)隊更快地獲得更好的結(jié)果，無論是對于新設(shè)計還是該設(shè)計的衍生產(chǎn)品。

Cadence總裁兼首席執(zhí)行官 Anirudh Devgan 表示：“這種新型強(qiáng)化學(xué)習(xí)的一個關(guān)鍵優(yōu)勢是應(yīng)用了 EDA 行業(yè)以前未應(yīng)用過的自動化。我們的一位大客戶告訴我，他們認(rèn)為布局布線是有史以來最復(fù)雜的商業(yè)軟件。很多這些程序都存在很多復(fù)雜性，無論是驗證、布局布線還是模擬。但是 EDA 從未優(yōu)化過多次運行。所以你運行一次，你得到輸入，你得到輸出。當(dāng)你進(jìn)入下一輪時，就沒有知識轉(zhuǎn)移了。”

知識轉(zhuǎn)移是強(qiáng)化學(xué)習(xí)的一大好處。它基本上收集數(shù)據(jù)并將其存儲在存儲庫中。

Synopsys 負(fù)責(zé)人工智能和機(jī)器學(xué)習(xí)的副總裁 Thomas Andersen 表示：“很多人的頭腦中都知道某些東西在過去曾奏效?！薄爱?dāng)這些人搬到另一家公司時會發(fā)生什么？或者當(dāng)他們在不同的地方并且他們甚至不互相交談時會發(fā)生什么？你可能會發(fā)現(xiàn)飲水機(jī)旁邊的人說，‘嘿，你應(yīng)該試試這個，因為它能給你更好的動力。’該系統(tǒng)的美妙之處在于它可以學(xué)習(xí)設(shè)計的行為并創(chuàng)建統(tǒng)計模型。因此，下次我對設(shè)計進(jìn)行改進(jìn)時——這可能是不同的，但也有很多重用——我可以從所有的這些知識開始?！?/p>

這就是所謂的“熱啟動”，隨著設(shè)計越來越復(fù)雜和市場窗口越來越小，它可以縮短上市時間而無需重新設(shè)計一切。

“通過冷啟動，您可以從頭開始學(xué)習(xí)，”Cadence 的 Devgan 說。“可以在公司內(nèi)部進(jìn)行熱啟動，它適用于一些公共模塊。這是下一個重用模型。對于普通 IP，您可以在預(yù)訓(xùn)練模型上與代工廠合作。所有數(shù)據(jù)都在公司里。你挖掘自己的數(shù)據(jù)。”

該方法建立在可以通過許多設(shè)計開始收集的數(shù)據(jù)之上。“EDA 是使用模式匹配機(jī)器學(xué)習(xí)的完美目標(biāo)，”Quadric首席營銷官 Steve Roddy 說. “你有類固醇的最小切割算法。你有數(shù)十億個東西要放置，你必須盡量減少跨越邊界的電線。為不同的 EDA 工具提供動力的算法已經(jīng)連續(xù)迭代，它們都使用一些復(fù)雜的啟發(fā)式算法來計算，'如果我要放置所有這些東西，請給我最短的平均導(dǎo)線長度，最少的電線和交叉數(shù)量?！?dāng)我們有兩層或三層金屬時，這很容易?，F(xiàn)在有 14 層金屬，3nm 有 82 個掩模。但是您擁有通過您的工具鏈運行的數(shù)千個布局布線作業(yè)的歷史記錄。有什么更好的模式匹配和構(gòu)建某種機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)庫？因此，對于您獲取的下一組 RTL，?這就是機(jī)器學(xué)習(xí)真正的全部。”

?更多的數(shù)據(jù)，更多的能力

完整的 AI 離我們更遠(yuǎn)，而且更難做到正確。EDA 供應(yīng)商開始在任何有足夠數(shù)據(jù)且過程非常耗時以至于值得努力的地方使用它，但到目前為止它的使用是有限的。

Siemens Digital Industries Software 高級工程總監(jiān) Jeff Dyck 表示：“如果你對 30 億張圖像進(jìn)行訓(xùn)練，你就可以了解山羊的樣子和房子的樣子?！薄澳阈枰罅繑?shù)據(jù)才能做到這一點。我們在這里所做的是不同的。我們對某些東西進(jìn)行模擬的原因是因為我們實際上并不知道它的答案。我們不知道它長什么樣。我們以前從未見過。它是一種新設(shè)計，或者可能是基于新流程版本或類似設(shè)計的改進(jìn)設(shè)計。所以我們處理它的方式是我們重新開始。我們不會采用舊的設(shè)計數(shù)據(jù)并希望下一件事的表現(xiàn)類似，因為在芯片設(shè)計的現(xiàn)實世界中，情況并非如此。因此，對我們所做的大數(shù)據(jù)集進(jìn)行培訓(xùn)并沒有太大幫助。我們確實使用了一些歷史數(shù)據(jù)，并且有一些有意義的地方，就像您正在對同一設(shè)計進(jìn)行另一次迭代一樣。但如果你正在訓(xùn)練一大堆東西，并希望下一個以前從未見過的東西看起來像那樣，那就沒那么有用了?！?/p>

這不僅僅是關(guān)于更多數(shù)據(jù)。這也是關(guān)于好的數(shù)據(jù)?！拔业捻椖孔罱K意識到他們得到了太多數(shù)據(jù)，有時他們得到了錯誤的數(shù)據(jù)，”AMD 技術(shù)人員的主要成員在最近的一次小組討論中說?！按蠖鄶?shù)時候，我們只會獲取數(shù)據(jù)，進(jìn)行分析，然后意識到它是多余的。這是無用的數(shù)據(jù)。有噪音，還有很多其他的東西被亂扔在那里。有時我們最終使用了 20% 的數(shù)據(jù)，有時甚至更少，而且不完全是所需的形狀和形式。”

這就是今天完全使用 AI 比機(jī)器學(xué)習(xí)更受限制的部分原因。供應(yīng)商對他們應(yīng)用 AI 的位置非常有選擇性，如果它有效，將代表芯片設(shè)計的巨大轉(zhuǎn)變。

“人工智能的真正價值在于優(yōu)化，”Cadence 的 Devgan 說。“人工智能早期的模式匹配很有用，我們做幾何處理和模式匹配。但真正的價值在于決策優(yōu)化。什么是最好的框架？我們有各種基于梯度的優(yōu)化方法。但是 AI 允許的是一種非基于梯度的優(yōu)化，而強(qiáng)化學(xué)習(xí)允許這種優(yōu)化，因此我們可以將優(yōu)化應(yīng)用于我們從未應(yīng)用過的事物?！?/p>

無論是全人工智能還是機(jī)器學(xué)習(xí)，該行業(yè)都有可能發(fā)生更根本性的轉(zhuǎn)變。過去，關(guān)于設(shè)計中哪些有效，哪些無效的最有價值的數(shù)據(jù)來自晶圓廠。從那里，它又回到了設(shè)計團(tuán)隊和 EDA 公司，他們經(jīng)常抱怨他們從未收到足夠的數(shù)據(jù)。這種情況多年來有所改善，但仍然不平衡。使用 AI/ML，數(shù)據(jù)需要在兩個方向上流動，并且它可能會以以前被認(rèn)為不切實際的方式組合。

Sawicki 說：“在物理設(shè)計中，我們所做的其中一件事涉及您從工廠車間獲得的缺陷信息?！薄艾F(xiàn)在我想把它聯(lián)系起來，了解我的圖像模式是如何與它聯(lián)系起來的，從而更多地了解其他模式可能會變壞的情況。這是在與 Calibre 的其他部分相同的工具基礎(chǔ)設(shè)施上完成的，例如，用于進(jìn)行機(jī)器學(xué)習(xí)、OPC 等。因此，您可以圍繞許多不同的應(yīng)用程序建立一個通用的基礎(chǔ)設(shè)施。這并不一定意味著您擁有一個適用于 Calibre 和功能驗證的 AI 引擎。這些是非常不同的問題。但是人們將學(xué)習(xí)的地方之間有很多互動?！?/p>

?結(jié)論

區(qū)分機(jī)器學(xué)習(xí)（AI 的一個子集）和更大的 AI（在 EDA 中應(yīng)用要困難得多）非常重要。通常，這些術(shù)語可以互換使用，即使在工具名稱中也是如此。但真正的人工智能只是慢慢應(yīng)用于半導(dǎo)體設(shè)計，因為需要時間來弄清楚結(jié)果是否足夠準(zhǔn)確、一致和可擴(kuò)展。

半導(dǎo)體設(shè)計正變得越來越復(fù)雜，并且隨著它進(jìn)入先進(jìn)封裝，它也變得更加特定于領(lǐng)域和異構(gòu)。尋找跨越設(shè)計多個部分的模式，然后確定哪些模式適用于其他設(shè)計甚至衍生產(chǎn)品，對于 EDA 公司來說是一個巨大的挑戰(zhàn)。但它也需要比目前芯片行業(yè)更多的專業(yè)知識才能發(fā)揮潛力。

“為了將人工智能應(yīng)用于學(xué)習(xí)解決方案，您需要知道自己在做什么的人，”AMD 的 Farkash 說。“我們必須教育他們，等他們從學(xué)校出來，然后在我們需要去的地方幫助我們。但另一方面，我們不得不害怕那些自以為知道自己在做什么的人。所以這將是最大的挑戰(zhàn)。機(jī)會來之不易。我已經(jīng)研究了許多不同的主題，在這些主題中我應(yīng)用了機(jī)器學(xué)習(xí)過程，無論我在哪里，我都看到了機(jī)會——主要是設(shè)計探索、驗證和模擬。它無處不在?！?/p>

編輯：黃飛